关键词:诊断故障;EMD;图像识别;不变矩;SVM:
本文是以识别图像技术为基础，比对光谱图像机械振动，提出的诊断方法是距离参数为SVM的振动频谱图像EVM-WVD的机械故障。其核心是通过提取自动识别机器的参数来完成不同情况的二维振动光谱图像，然后对机械振动谱视频图像进行分析，得出输入二维信号即机械振动信息。这一方法的是通过识别设备状态对振动频谱图像进行分类，最后生成振动频谱图像总体特征。该方法具体优点在于，沿用了Winger-Vine完美布局的特点，并继承了EMD的自动提取的特点，解决了以往振动信号提供信息受局限的问题，视频特性增强，易于甄别假信号，导致时域特征的丢失，对假信号的易感性和混叠问题，无法智能化诊断等等。通过进行观察和分析使诊断成为可能，避免操作员的主观性，实现了自主分析图像和机械振动时间频率的进一步诊断。
1 基于EMD WVD内燃机生成振动视频谱图
以自动识别内燃机振动谱视频的图像为基础的问题研究方法主要包括以下三个关键部分：（1）出现故障振动时得出的振动图像;（2）把握振动图像的独特故障表现;（3）分析图像光谱，对其做出精确分析和运算。
振动信号因内燃机不同、运行条件不同而产生差异。时间不同、频率分布不同其振动信号的速率显示也不尽相同。在相同的运行条件下，不同循环周期内燃机的振动信号在的振动速率呈现是相同的，但是不同工况下的内燃机振动信号视频速率呈现具有很大的差别。利用这个属性，可以从视频分布中提取有助于识别发动机工况的有效特征。为了阐明内燃机振动在信号不同工况下的内燃机的振动视频图像呈现，本文采用EMD-Wigner-Ville视频速率解析方法，来研究振动信号随时间不同在处理振动信号时的所表现出的不同视频特性。EMD-Wigner-Ville视频分析的运算过程是对进行WVD计算EMD产生的分量固有模式C1，C2，...CN，接着进行综合运算叠加。叠加的原理符合线性的视频运算。因此，可以分别进行分类和运算每个单独分量的信号，继而叠加运算结果，所以新的交叉项没有产生。由于要进行分别运算Wigner-Ville的分量，原有分布被拆分开来，因此干扰和交叉项的不同分量的就减小了互相间的干扰，分布WIMF（t，f）视频聚集性的特点使得每个Wigner-Ville基本模式分量能够收集图像信息，对内燃机的振动信号给出明确回复[1]。
2 EMD WVD振动视频谱图不变矩特征提取
识别图像模式的特征大致可以概括为：（1）统计颜色、灰度的特点;（2）条纹边框处理特征;（3）形态大小特征;（4）系数变换特性或产生过滤器系数的特性。当然，基于抗噪声能力是不变矩特征的独特优势，是其在众多特征中最有意义的特征。
对于特定工况中振动器的视频图像，二维图像与等值线图是相同的。当f（x，y）分段图像在固定区域中存在大于零的数值时并呈现连续时，图像中存在各级阶的所有矩，这是Hu的唯一性定理所规定的。因为f（x，y）具有唯一性，所以矩集{Mpq}是确定的；且矩集{Mpq}同时可以确定f（x，y）的唯一属性。
期刊文章分类查询,尽在期刊图书馆对于一个有着有限面积的视频分布图，分段连续是其最坏的情况下展现的，因此当呈现所有阶的矩时，图中可以得到的信息是唯一地描述帧的不变矩发生的时间速率。对类别识别率进行运算时要对不同工作条件下的不同数值参数比对。操作条件Ci的第j个特征参数结果是矩阵R和元素R表示为k×N分级辨别率;将比较容易分割的类作为正类矩阵，将Ci分开，对数据集中的R的行进行由大到小排序。负类是指正类样本之外的其余类型，SVM的当前水平运用负类样本作训练;剩余数据集中的Ci类需要删除旧的样本，并进行重新操作，正样本类别再次运算时需要并根据上一级的计算结果来选择下一项编号的模型进行SVM训练 [2]。
3 改进二叉树支持向量机诊断模型
严重短缺典型样本是故障实验运算以进行智能诊断机械故障中面临的主要问题之一。另外，知识性错误导致问题出现训练样本在系统中的不够具体呈现。机械故障智能诊断受到上述这些因素的影响进而严重限制了其进程。考虑经验风险和泛化能力是基于最小化结构风险理论向量机支持（SVMs），在分类问题上具有独特的优势解决小样本模式中的非线性和高维问题，该问题可以使小样本条件下建立的分类器具有较强的推广能力，对故障诊断具有较强的实际意义。
在使用二叉树多分类支持向量机进行诊断时，需要事先确定二叉类树正分类号。从二叉树的分类和决策过程可以看出，上层节点SVM子分类器越高，分类性能对整个分类模型推广的影响就越大。因此，为了减少误差累积现象，得到具有最佳泛化能力的二叉树分类模型，在生成二叉树的过程中，最容易分离的类应该也是最容易分割的类。以此为依据，本文中综合识别率的定义界定所参照的指标是计算每个类的先验识别率，并在此基础上排列组合不同样本的可识别率，SVM多分类器用以实现二叉树的构造更加完整，SVM分类器则是用于训练并完成类别识别率的二叉树的排列。运算程序如下：（1）工作条件参数设为K。特征向量的维数设为M，类别i的条件用Ci表示，得出Uij（1≤i≤k，1≤j≤m）就是第j个特征参数在条件Ci下的置信区间的运算结果，在正常运行条件或故障发生条件下算出每一种操作参数，得出Uij的比率为（5％-95％），这就是每个参数的特定置信区间。
4 信号视频行为对不变矩特征的影响分析
内燃机的振动频率是随时间波动的，其有效分布图像是用振动频谱来反映。所以要准确描述内燃机振动谱的特征，内燃机振动信号的振动冲击必须作为特征参数要考虑的因素,这个属性必须遵循。研究各不相同的内燃机运行条件，根据唯一性定理，为更好解释视频分布图中所包含的特定信息采用Hu不变矩集。矩时刻的性质的分析研究，即分析不变矩特征受到信号波动时的视频的影响程度。本文进行了以下仿真运算：选择高斯冲击信号来假设内燃机振动时产生的信号冲击波，进行仿真运算;同时采用了三种不同的方法模拟内燃机振动信号在不同工况下的表现，高斯冲击是每种方法所必然包含的内容,其仿真信号用以更好的模拟组件。这三种仿真信号中不同时刻的不同冲击信号对其视频图像不变矩特性是模拟不同冲击信号视频行为的影响。
5结语
内燃机缸盖振动的特征信息在振动频谱视频图像中得以有效的揭示，特征向量的形成是在内燃机振动谱的不变矩的情况下产生的。总体诊断准确率为98.57％，利用二叉树多分分级器进行模型试验，充分说明了该方法的有效性。通过调整诊断内燃机的阀门间隙，并对样本阀间隙进行模拟实验，试验结果表明，分类器在小样本情况下具有较好的广泛推广能力，得到准确率为97.21％的诊断结果数据。
参考文献
[1]李林洁. EMD和ICA在内燃机振声信号分析中的应用研究[D].天津大学,2012.
[2]蔡艳平,李艾华,石林锁,许平,张玮.基于EMD-WVD振动谱视频图像SVM识别的内燃机故障诊断[J].内燃机工程,2012,33(2):72-75.
论文作者:杨鸿涛
论文发表刊物:《科技中国》2018年4期
论文发表时间:2018/8/10
标签：内燃机论文; 图像论文; 信号论文; 视频论文; 特征论文; 样本论文; 频谱论文; 《科技中国》2018年4期论文;