基于LMD边际谱的柴油机气门故障诊断

针对柴油机气门间隙故障诊断问题,在WP7柴油机上模拟了多种气门间隙故障,测取了正常及故障条件下的缸盖振动信号。考虑柴油机缸盖振动信号具有非平稳的特点,提出一种基于局部均值分解边际谱和马氏距离的故障诊断方法。该方法在LMD边际谱的基础上定义了频率中心,并以此作为柴油机气门间隙的故障特征,利用马氏距离判断柴油机气门的工作状态。试验结果表明:该方法可以有效地提取柴油机气门间隙故障特征,实现柴油机气门机构故障诊断。     

基于非高斯AR模型双谱估计的发动机气门机构故障诊断

将高阶谱引入故障诊断领域,利用基于非高斯AR模型的双谱估计方法描述了缸盖振动响应信号的非线性和非高斯特性。基于非高斯AR模型的双谱估计,能够在数据较短的情况下,提供较高的频率分辨率且能提取信号的相位信息,可用于非平稳信号的数据处理和故障诊断。研究结果表明:当柴油机气门机构处于不同工作状态时,缸盖振动信号的双谱及其等高线具有明显的可分性。对双谱进行数据降维处理,从其主对角切片中提取了比较稳定的故障特征,为气门机构的状态监测与故障诊断提供了一种有效手段。     

柴油机气门故障特征提取方法研究

针对柴油机气门故障诊断问题,在柴油机上模拟了气门间隙异常、气门漏气故障,同步测取了正常和故障情况下的缸盖振动与瞬时转速信号,提出了基于阶比跟踪的振动信号等角度重采样方法,准确地实现了振动信号时间域到角度域的转换,避免了频谱泄漏及混叠。考虑到缸盖振动信号的非平稳特性,应用经验模态分解法将振动信号分解成一系列具有不同尺度的内禀模态函数,利用三维Hilbert谱提取了反映柴油机故障的特征参数。试验结果表明:研究方法可以有效地提取柴油机振动信号的故障特征,从而实现柴油机配气机构故障诊断。     

基于时频谱图与图像分割的柴油机故障诊断

将图像分割理论引入柴油机故障诊断中,提出一种基于时频谱图、图像分割和模糊模式识别的柴油机故障诊断新方法.首先利用二进小波对柴油机缸盖振动信号进行预处理,然后用时频谱图对柴油机气门机构4种状态下的缸盖表面振动信号进行时频分析,并将谱图结果根据图像分割理论对其等高图进行分割,最后通过选取分割后图像的特征体质心位置、特征体面积、数目和熵作为特征参数,并利用模糊C均值聚类对图像进行分类识别.试验结果表明,新方法提取的振动信号图像几何特征与形状特征参数能充分反映柴油机气门工作状态的信息,对不同类型的气门故障均能正确诊断.     

基于小波技术的柴油机振动信号特征参数的研究

在1110柴油机上模拟了气门漏气、气门间隙异常、供油时刻异常及喷油压力异常4种常见故障,并测得了几种故障下缸盖振动信号和缸内压力信号.对振动信号常用的几种分析方法进行对比研究,并选定小波分析法对振动信号进行时频分析,提取振动信号的特征参数.试验发现:气门漏气时整个缸盖振动信号高频带能量增加、低频带能量降低;气门间隙增大时,高频振动响应信号能量增强;供油提前角增大时,缸内燃烧始点提前,缸盖振动信号低频带信号能量增加;喷油压力增大时,缸盖振动信号中低频带信号所占能量增加.     

基于图像与神经网络的柴油机气门故障诊断方法研究

综合信号处理及模式识别理论,根据柴油机振动信号的特点,提出了一种柴油机气门故障诊断综合方法,详细阐述了将提取图像特征的神经网络法用于柴油机气门故障诊断的原理、过程以及故障分类。试验结果表明,该方法值得进一步研究。     

基于遗传算法优化支持向量机的船用柴油机气门漏气故障智能诊断方法

针对船用柴油机气阀漏气故障的问题,提出一种结合遗传算法（genetic algorithm,GA）与支持向量机（support vector machine,SVM）的船舶柴油机气阀漏气振动诊断方法,称之为遗传算法优化支持向量机（GA-SVM）。通过分析静态与动态工况下的缸盖振动信号,提取训练SVM特征参数,利用GA-SVM的惩罚因子与核函数参数对故障进行识别。试验结果表明,GA-SVM方法完善了SVM参数选取方法,可有效识别柴油机气门漏气故障。优化后的整体故障诊断准确率为99.333%,相比于未优化前的测试集,故障诊断正确率提高了约2%。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点，提出应用小波包能量法提取故障特征向量，并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的，对其他设备的故障诊断也具有借鉴意义。     

基于LMD和SVM的柴油机气门故障诊断

针对柴油机气门故障诊断问题,在WP7柴油机上模拟了气门故障,提出了基于局部均值分解(local mean decomposition,LMD)和支持向量机(support vector machine,SVM)相结合的气门故障诊断方法.该方法首先用改进LMD方法将缸盖振动信号分解成若干个瞬时频率具有物理意义的PF(product function)分量之和,然后从缸盖振动信号和分解得到的PF分量中提取故障特征向量,以此作为SVM分类器的输入进行故障诊断.此外提出了改进粒子群算法(particle swarm optimization,PSO)用于SVM参数的优化.诊断结果显示,16组测试样本的测试结果均与实际状况相一致,诊断正确率为100%,该方法能快速准确地识别内燃机气门故障.