徐启圣 许泽银 徐厚昌

合肥学院,合肥,230022

0 引言

发动机在多种装备上的应用日益广泛,必须对其(尤其是关键零部件的磨损状态)进行有效的监测维护,以确保设备的稳定运行,但高温差、高压及高载的工作环境给监测工作增加了难度。

作为不解体检测手段,油液分析的核心技术——光谱分析用于检测油液中磨粒的金属元素、外界灰尘元素,甚至添加剂及冷却剂的浓度,直读铁谱用于测定大小铁磁性磨粒的数量,二者结合可对零部件的磨损状态和油品状态起到早期监测预报的作用,包括磨损部位、磨损程度、磨损原因及添加剂消耗等[1]。然而,从磨合开始直至完全失效的全程油液分析往往难以做到,而经常是在某一阶段进行状态监测甚至若干次进行状态监测,得到的数据量往往不足;同时,受加换油的影响,仅用基本统计方法往往难以建立指导意义强的诊断标准。另外,由于主客观原因,油液监测信号不可避免地含有噪声,于是常采用小波包变换(WPT)对光谱和直读铁谱检测信号进行降噪,得到反映稳态和奇异状态的近似系数、细节系数,为挖掘有效诊断特征做准备(关于油液磨损信号的降噪详见文献[2])。因此,采取合适的数据处理方法充分挖掘检测数据的特征,提高油液监测标准的准确性和可靠性具有重要意义。

1 多特征提取及分析

对于本文所研究的柴油机,其主要摩擦副的金属组成元素见表1。

表1 主要摩擦副及其主要金属元素

高温、高载、高速的工作条件给发动机高工效带来很大的压力。这是因为高温会严重降低材料的强度,较大的缸径会造成较大的温度梯度;质量较大的活塞在高速运动时产生的惯性力在高压下使活塞产生的侧向力大为增加,这会加剧活塞、活塞环的磨损,从而影响其工效。因此,发动机需要进行视情维护,以确保稳定运行。对该柴油机进行了为期一年的定期检测和数次常规检查,获取的光谱和直读铁谱的检测数据如表2所示。

表2 某型柴油机的油液检测数据

1.1 边界特征

在提取边界特征时,常用的基于统计学的传统三线值法[3]对数据量要求高,至少要达到10个以上[4]。而且经过应用可知,由传统三线值法得到的特征边界跨度过大,忽略了中间过程的信息,导致对过渡过程的磨损判断不足,难以实现视情维护。为此,考虑小波基函数的紧支特性和好的能量集中性质且对数据要求不高的优点[5],充分利用笔者在文献[2]已获得的降噪信号,通过小波变换获取反映原信号稳定特征的近似系数和反映奇异特征的细节系数以挖掘更多的信息,在改进三线值法[6]基础上重建了新三线值法：

式中,sde为降噪信号的均值;σ为降噪信号的标准差;σa、σd为近似系数和细节系数的标准差;σe为噪声信号的标准差,由于要用原信号判断磨损状态,故需还原。

为确定不同方法的优劣,根据这三个边界,建立了评价指标即反常状态与正常状态范围之比：

对表2的检测数据,应用新三线值法和传统三线值法提取的边界分别见表3、表4。可以看出,新三线值法得到的评价指标小于传统三线值法得到的评价指标,由文献[6]可知,由新三线值法得到的边界能减少虚警。而且由前者得到的危险线值小于后者,表示新三线值法比传统三线值法得到的边界具有更好的预警能力。这从侧面证明了对油液检测信号降噪的必要性。因此,应用新三线值法对降噪信号建立的边界更佳,而且更小的警戒值有助于引起早期警觉,尽早发现故障,实现对发动机的视情维护。

表3 用新三线值法得到的边界及指标

表4 用传统三线值法得到的边界及指标

1.2 聚类特征

常用的聚类方法有传统层次聚类、K-means聚类、模糊c-means聚类等[7]。层次聚类利用表示联系的、不一致的系数阈值发现聚类的数目及其成员,K-means聚类和模糊c-means聚类需要先确定数据需要聚类的数目。对于本研究,由于最大的分类数目已经通过新三线值法确定,K-means聚类足以达到聚类目的。而且K-means聚类不必建立树结构来描述数据的分类,而是利用数据中的对象或个体的实际观察而不是其近似来建立聚类的单层结构,更为直观。为判断得到的聚类质量如何,利用K-means聚类输出的聚类指标建立了轮廓图,见图1。该图用轮廓值(silhouette value,SV)衡量一个聚类的各点和相邻聚类的点的接近程度,测度范围为[-1,1],其中1表示和相邻聚类很远即分类明确的点,0表示属于一个聚类或另一个聚类即分类模糊的点,而-1表示很可能划分到错误聚类的点。

图1 对Pb信号的聚类轮廓图

对油液数据聚类结果见表5。可看出,除了Al信号外,其他降噪信号的轮廓值都比降噪前大,说明聚类质量好。而且,由图1可知,对于Pb的原信号而言,聚类1的轮廓值有负数情况,表明聚类1有误分类,而根据降噪后的Pb信号进行聚类,轮廓值皆为正,表明聚类准确度高于用Pb原信号进行聚类的准确度。其他信号也有类似结果(从略)。这再次证明了降噪的必要性。

1.3 相关度

机械设备的磨损过程有渐变性也有突变性,有其自身的规律。在某些情况下磨损状态难以直接识别,这时,基于揭示磨损状态的特征之间或影响因素之间相关性的方法是合适的替代方法。如对于主要摩擦副这类的磨损数据,如光谱分析,不同元素之间的浓度(质量分数)及其变化的信息具有较强的相关性。对于表2任意两元素信号间的相关度,其计算方法见文献[8],结果见表6。

表5 用K-means的聚类结果

表6 各信号之间的相关度

由表6可知,在与Fe的相关系数中,Cu的正相关度最强,Al的正相关度次之;在与Cu的相关系数中,Al的正相关度最强,达0.83;同样,与 Pb正相关性最强的也是Al,达0.69,说明轴瓦-曲轴和活塞-气缸套这两个摩擦副的磨损相关性最强。与Pb正相关度次之的是Cu,支持了轴瓦中包含有这两种有色金属的事实。

同时,Fe和Cr为负相关,相关度在所有负相关中最大,为-0.48,Cr和Cu、Al也呈负相关关系,且Fe和Al正相关度为0.7,这在很大程度上说明,与气缸套的接触磨损中,活塞比活塞环的磨损程度大,而本来应该相反,说明活塞环润滑系统反常,如不对中或活塞环磨损过度甚至失效等,需查明原因。可见光谱分析及其元素相关性分析对发动机润滑系统检测的重要性和针对性。

Fe与 Dl、Ds及Dls的相关度都不到 0.2,其中,Fe和Ds的相关度是Dl的3倍,这支持了光谱分析检测小磨粒(粒径≤8μm)比检测大磨粒更有效的事实。同时,Dl和Ds的相关性极强,结合表2可知,产生铁磨粒时,大磨粒大大多于小磨粒,说明在进行油液检测时,用光谱分析前最好先进行直读铁谱分析。

2 质心-边界多特征分析

通过三线值法可得到各信号的三个边界特征。但是实践发现,两种方法的正常线s1都偏高,以致应该重视的过渡信息很可能被忽略而失去早期发现磨损问题的良机[9]。研究中发现,具有最大轮廓值或更好的轮廓图的聚类特征质心,可看作为另一个边界特征。根据质心(centroid)的定义[10]可知,无论对于单变量还是多变量,其值都小于正常线s1,于是由传统三线值法确定的正常线实际上很可能不正常。故把较大的质心特征作为正常线,该问题得到了解决。

联合三个边界和两个质心,从光谱和直读铁谱数据共提取了5个特征,如表7所示。值得注意的是,Dl和Ds的边界之和与Dls边界非常接近,正支持了Dls是Dl与Ds之和的事实。结合表1可知,Cu、Pb的边界主要用来诊断轴瓦-曲轴摩擦副的磨损状态,Cr、Mo的边界主要用来诊断活塞环-气缸套的磨损状态,而 Al的边界主要用来诊断活塞-气缸套的磨损状态,Dl、Fe及Ds主要用来诊断凸轮轴-凸轮轴承的磨损状态。如果用这些元素进行单诊断的结果不同,则以较为严重的结论为主,以有利于防患于未然。

根据上述特征可建立磨损状态决策表(表8)。

表7 各信号的磨损边界

表8 磨损状态决策

对表2的磨损状态判断结果见表9。可以看出,用多特征法识别出来的结果为6种磨损等级(A～F),而用传统三线值法识别出来的结果仅有4种磨损等级(Ⅰ～Ⅲ),可见前者比后者的识别效率提高了一倍。更为重要的是,第3次根据Mo信号进行诊断的结果为磨损等级F,说明活塞环-气缸套的磨损处于紧急状态,很可能有部件已经失效,拆机检查发现,活塞环磨损非常严重,已经影响到使用性能,这和相关分析的结果一致。而用传统三线值法的识别结果仅为磨损等级Ⅱ(“注意”状态),不能引起警觉,明显达不到监测目的。活塞环更换后,监测结果为磨损等级A,说明磨损状态良好。

表9 基于质心-边界多特征法和传统三线值法的识别结果

对于第7次诊断,根据Al元素信号,用传统三线值法判断的磨损等级为Ⅱ(“注意”状态),而用多特征法判断的磨损等级为E(“严重”状态),结合图2中Al元素的质量分数趋势可知,活塞-气缸套磨损异常且具有突发性。采取铁谱分析法进一步分析,发现了Al异常磨粒(图3),表明活塞发生了异常磨损。而采用传统三线值法根据Mo元素信号诊断活塞环的磨损等级为Ⅱ,比活塞磨损程度轻,不符合正常磨损情况。检查发现,由于安装不当,活塞局部和气缸套直接接触。调整后,采用多特征法根据Al信号进行诊断,磨损等级降为C(“注意”状态),而采用多特征法和传统三值线法根据Ds判断的结果分别为E(“严重”状态)、Ⅲ(“警戒”状态),基本一致。因此多特征法与传统三值线法相比,判断磨损状态更准确。

在第7次诊断中,根据Al信号用传统三值线法和多特征法判断的磨损等级分别为Ⅱ(注意)和E(严重);根据Cu、Pb元素信号,不论用传统三值线法还是多特征法,磨损状态皆为“注意”,而用其他元素信号判断的状态则为“良好”或“注意”,这也支持了相关性分析中得出的轴瓦-曲轴和活塞-气缸套摩擦副的磨损相关性最强的结论,可见相关性分析确实是发动机磨损分析的一项重要内容。

对磨损状态情况的频次统计如表10所示,两种方法判断结果相同的达40次,占55.6%,表明两种方法在大多情况下的一致性;而不一致的次数32次,占44.4%。由以上分析可知,其中多特征法的3次警戒、2次严重和1次失效共6次结果更符合实际情况,尤其根据第 7次诊断的结果——“严重”状态采取措施后避免了紧急故障的发生。因此,多特征法具有更高的准确率和异常识别率。

图2 Al元素的浓度(质量分数)趋势

图3 Al元素异常磨粒

表10 磨损状态次数统计

但在有些情况下,对于同一零部件,根据不同元素信号确定的磨损状态,结果可能不一致,如表9中的第4次诊断,根据Cr元素信号判断的磨损等级为D(“警戒”状态),而根据相关性最强的Fe、Mo及Al信号判断的结果则分别为A(“良好”状态)、B(“正常”状态),到底哪种结果正确,仅凭光谱信息难以确定,需要结合其他手段如铁谱分析法进一步分析。这种情况对于磨损级别相差较大时,则显得更有意义。

3 结论

(1)发动机光谱、直读铁谱降噪信号的边界特征、聚类的轮廓特征研究表明了降噪的必要性;

(2)发动机光谱、直读铁谱降噪信号的相关性研究表明,各摩擦副相关度强弱及其正负情况对其磨损状态的确定有重要的补充作用;

(3)与传统三线值法相比,多特征分析法对磨损状态的划分更详细、识别率更高、预警能力更强,更能体现根据相关元素信号确定磨损状态的一致性及互补性;

(4)多特征分析法在较大程度上解决了油液分析数据量少、确定发动机磨损边界有效性和针对性不高的问题,这对其他设备磨损边界的确定具有借鉴意义。

[1] 李柱国.机械润滑与诊断[M].北京：化学工业出版社,2005.

[2] 徐启圣,许泽银,徐厚昌.基于小波包变换的油液磨损信号降噪研究[J].润滑与密封,2009,34(10)：45-47.

[3] 徐明新,沙明元,齐梦学.TBM油液铁谱与光谱的数据处理[J].同济大学学报(自然科学版),2001,29(12)：1429-1433.

[4] Huo Hua,Li Zhuguo,Xia Yanchun.Application of Maximum Entropy Probability Density Estimation Approach to Constituting Oil Monitoring Diagnostic Criterions[J].Tribology International,2006,39：528-532.

[5] 李建平,唐元炎.小波分析的应用[M].重庆：重庆大学出版社,1999.

[6] Xu Qisheng,Li Zhuguo.Recognition of Wear Mode Using Multivariable Synthesis Approach Based on Wavelet Packet and Improved Three-line Method[J].Mechanical Systems and Signal Processing,2007,21(8)：3146-3166.

[7] Guldemir H,Sengur A.Comparison of Clustering Algorithms for Analog Modulation Classification[J].Expert Systems with Applications,2006,30：642-649.

[8] 薛定宇,陈阳泉.高等应用数学问题的Matlab求解[M].北京：清华大学出版社,2004.

[9] 徐启圣.智能化多规则油液综合故障诊断理论及方法的研究[D].上海：上海交通大学,2007.

[10] Llet′ý R,Ortiz M C,Sarabia L A,et al.Selecting Variables for K-means Cluster Analysis by Using a Genetic Algorithm that Optimises the Silhouettes[J].Analytica Chimica Acta,2004,515：87-100.