基于数据挖掘的柴油机气门故障诊断技术研究

由于柴油机气缸缸盖振动信号具有复杂的时频特性,通过此类信号实现其气门故障的诊断较为困难。尤其在多种故障并发的条件下,故障确诊更为不易。为此,借助遗传算法提出一种基于统计规则的智能数据挖掘技术,对在不同气门状态下采集的大量柴油机气门缸盖振动信号进行知识挖掘,得到了进行多种气门故障确诊的有效诊断特征。试验表明,这一技术智能高效,结果准确无误,具有重要实践意义。     

基于AR模型和神经网络的柴油机故障诊断

建立了一种基于AR与RBF神经网络结合的诊断模型,模拟柴油机气阀漏气、气门间隙异常等故障,采用NI公司PCI-4472采集卡在LabVIEW7．1平台上开发了柴油机缸盖振动信号采集分析与诊断系统。首先,对利用该系统采集的缸盖振动信号样本建立AR模型并进行AR谱估计,从中提取5个特征参数,然后利用RBF神经网络进行故障模式识别。结果表明,该诊断方法具有较高的精度,便于故障在线监测与诊断系统的开发。     

基于Teager算子的内燃机气门间隙异常故障诊断方法

为了探究气门间隙异常故障的诊断方法,分别通过仿真模拟与实验探究,运用ADAMS软件对配气系统核心部件进行建模,对不同气门间隙下部件的动力学行为进行模拟,探究故障机理和故障敏感特征。基于Teager能量算子,探究实际机组振动信号中气门间隙异常故障敏感特征的精确提取方法。在一台TBD234柴油机中模拟该故障,采集缸盖振动信号。结果表明,随间隙增大开启冲击相位推迟、关闭相位提前,峰值能量增大,验证了故障特征的敏感性和故障诊断方法的有效性。     

运用HHT边际谱的柴油机故障诊断

提出了一种基于希尔伯特-黄变换(Hilbert-Huang transformation,简称HHT)边际谱的柴油机故障诊断方法。在3110柴油机上进行了气门间隙变化和断油等故障的模拟试验,测取了柴油机在断油工况和气门间隙异常工况下的气缸盖振动信号,并采用抽区间采样分析法对缸盖振动信号进行了时域特性分析。通过对故障敏感段信号的HHT边际谱分析,得出了在各工况下信号随时间和频率变化的精确表达,并以边际谱的最大峰值作为特征向量,采用马氏距离(Mahalanobis距离)进行分类,判断柴油机的工作状态和故障类型。试验分析表明,该方法即使在小样本的情况下也能有效地识别柴油机气门间隙变化和断油故障。     

发动机特征振动信号的测试及小波分析

采用BSWA VS302 USB便携式双声道声学振动分析仪对DA462型发动机进行振动试验,试验时分别模拟气门间隙正常与故障状况,采集不同转速时不同气门间隙下发动机表面的振动信号.用db4小波对这些振动信号进行分解,重点分析了发动机排气门落座的冲击信号即D3层信号.分析结果表明：db4小波适合于发动机振动信号分析;发动机气门间隙的变化会引起振动能量的变化,气门落座冲击产生的能量占总能量的比例也会发生很大变化.根据测量不同转速时的能量分布结果和能量比数值,可以判断出当前气门间隙的工作状态,实现发动机在不解体情况下的状态检测.     

内燃机故障的多重分形诊断方法研究

实测了6135柴油机气门机构处于不同状态时的缸盖振动信号,计算振动信号的多重分形维数,将其用于刻划缸盖在气门不同状态时表现的非线性行为,从而对故障分类与诊断。结果表明,当气门在不同状态时缸盖振动信号的多重分形维数是不同的,可以将其作为判断气门状态的依据。     

基于能量算子梯度邻域特征提取的核电应急柴油发电机组故障诊断方法

气门间隙故障作为应急柴油发电机组（EDG）的典型故障,容易导致性能下降、机械故障等,传统人工拆盖检查气门间隙的方式费时费力。利用Teager能量算子的瞬态振动识别能力,结合振动冲击能量变化规律,提出了一种基于能量算子梯度邻域的振动冲击始点自适应精确提取的EDG气门间隙故障在线诊断方法,该方法的故障识别参考阈值为EDG设计参数。在一台12缸V型柴油机上进行实验验证,结果表明该方法能够有效诊断气门故障,同时具备追踪气门间隙的能力。研究成果为EDG在线监测诊断提供了新途径。     

基于深度学习理论的发动机气门机构故障识别

为了正确诊断和识别发动机气门机构故障,提出一种基于经验模态分解和堆栈式稀疏自编码器深度学习模型的发动机气门机构故障识别算法。以发动机缸盖振动信号为信号源,对振动信号做经验模态分解,提取各个本征模态分量的时域和频域特征构成故障特征向量集,作为故障识别的样本变量。通过稀疏自编码非监督学习网络对输入向量进行特征学习,并将单层网络堆栈成深度网络,最后采用少量有标签数据对整个深度学习模型进行微调训练,建立气门机构故障识别模型。试验结果表明,EMD-SSAE混合深度学习模型能够有效的识别气门机构的故障状态,并且比EMD-SVM和EMD-BPNN模型获得更高的识别准确率。     

基于振动幅域参数指标的滚动轴承故障诊断

利用幅域参数对滚动轴承早期故障进行监测和诊断。分析了滚动轴承典型故障的机理及其振动特征,针对滚动轴承的典型故障特征,提出采用了幅域参数指标的诊断方法。基于Windows平台,利用Matlab软件编制了滚动轴承振动信号幅域参数指标计算程序,并且通过QPZZ-II旋转机械故障试验系统进行了滚动轴承故障的实例模拟并对所编程序进行了验证。结果表明,利用振动信号幅域参数指标对滚动轴承进行早期故障诊断,效果良好。     

柴油机气阀间隙异常的诊断

通过调整柴油机气阀机构的不同气门间隙,采集柴油机缸盖表面的振动信号.通过计算柴油机缸盖表面振动信号的小波包能量、奇异性指标,最大幅值、分形维,并建立柴油机缸盖表面振动信号的AR和ARMA模型,得到模型的残差,最后利用这些特征参数,应用模糊聚类法进行故障诊断.     

Fault diagnosis for diesel valve trains based on non-negative matrix factorization and neural network ensemble

It is well known that the vibration signals are unstable when there is some failure in machinery. So in this paper, the cone-shaped kernel distributions (CKD) of vibration acceleration signals acquired from the cylinder head in eight different states of valve train were calculated and displayed in grey images. Meanwhile, non-negative matrix factorization (NMF) was used to decompose multivariate data, and neural network ensemble (NNE), which is of better generalization capability for classification than a single neural network, was used to perform intelligent diagnosis without further fault feature (such as eigenvalues or symptom parameters) extraction from time–frequency distributions. It is shown by the experimental results that the faults of diesel valve trains can be accurately classified by the proposed method.     

神经网络在内燃机故障诊断中的应用研究

运用小波分析对柴油机缸盖振动信号进行分析与讨论,计算二进小波分解后尺 度１信号在各个时间段内的能量百分比,最后将此能量比作为神经网络的输入进行 训练,得到故障诊断识别网络,取得了较好的故障诊断效果。     

基于特征相位段的柴油机活塞缸套磨损故障诊断

在柴油机缸盖振动信号中，活塞缸套磨损的特征信号通常被燃烧爆发、气阀关闭及相邻缸的振动所淹没。通过分析振动信号各成份在一个周期内的分布情况，提取了干扰较少的排气冲程阶段信号，并在消除了相邻缸的振动影响后，作为活塞缸套磨损的特征相位段。选取峰峰值、平均振值等6个参数作为诊断特征参数，建立了诊断模型。实例表明，该方法能够有效地诊断出柴油机活塞缸套的磨损故障。     

分形维数在内燃机振动诊断中的应用

将分形理论引入内燃机的振动诊断中,根据内燃机的配气定时,着重研究了缸盖振动信号中对应燃烧段的数据,计算其关联维数,将关联维数用于刻划内燃机缸盖在气门不同状态时表现的非线性行为,从而进行故障诊断与分类。结果表明,当气门在不同状态时,缺盖振动信号中对应燃烧段数据的关联维数是不同的,可以将其作为判断气门漏气的一个诊断特征量。     

Fault diagnosis for diesel valve trains based on time–frequency images

In this paper, the Wigner–Ville distributions (WVD) of vibration acceleration signals which were acquired from the cylinder head in eight different states of valve train were calculated and displayed in grey images; and the probabilistic neural networks (PNN) were directly used to classify the time–frequency images after the images were normalized. By this way, the fault diagnosis of valve train was transferred to the classification of time–frequency images. As there is no need to extract further fault features (such as eigenvalues or symptom parameters) from time–frequency distributions before classification, the fault diagnosis process is highly simplified. The experimental results show that the faults of diesel valve trains can be classified accurately by the proposed methods.     

图像处理在内燃机故障诊断中的应用研究

在应用图像处理进行故障诊断的基础上 ,探讨了应用这一技术进行内燃机故障诊断与状态监测时应注意的一些问题。指出利用缸盖振动信号小波包分解后的时 -频分布图的灰度直方图进行故障诊断的效果并不好 ,并分析了原因 ;进行了信号加噪声与不加噪声的诊断效果对比 ,发现噪声对基于图像处理的气阀机构故障诊断的影响不大 ,验证了这一方法的工程实用性和可行性     

基于小波包与LS—SVM的气阀故障诊断

基于小波包原理,对柴油机的缸盖振动信号进行小波包分解,利用“频带能量”的特征提取方法得到特征向量,并作为LS-SVM的输入进行训练和分类检验,提出了一种基于小波包和LS—SVM的气阀故障诊断方法。结果表明不同状态下的气阀漏气故障能得到识别和分类,且具有较高的精度。     

基于频谱法和带偏差单元递归神经网络的水电机组振动故障诊断

引起水电机组振动的原因很复杂,而且水电机组的振动故障往往是多故障同时发生,使得故障诊断很困难,目前主要是应用基于模式识别的神经网络来进行故障分类,尤其是BP网络应用较多,但BP网络训练速度慢。文章提出应用带偏差单元递归神经网络的方法对水电机组的振动故障进行诊断。先对水电机组振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的。水电机组振动故障诊断仿真分析表明,与常规方法相比,应用带偏差单元递归神经网络进行故障诊断具有快速有效的优点。     

基于变分模态分解和鲁棒性独立成分分析的内燃机缸盖振动信号分离

针对缸盖振动信号中燃烧信号和活塞敲击信号在时频域混叠严重难以分离的问题,用基于VMD和RobustICA的方法分离各独立源信号。通过试验测量内燃机单通道缸盖振动信号,首先对测得的信号进行消除趋势项及滑动平均等预处理,用VMD算法对预处理后的信号进行分解;然后用RobustICA算法提取独立成分,并用组合模态函数法对时域和频域相似性较高的分量成分进行组合;最后结合频谱分析、连续小波变换、相干函数法及倒拖试验对分离得到的结果进行识别验证。研究结果表明：在不同的试验工况下,该方法可以有效地从缸盖振动信号中分离出燃烧信号和活塞敲击信号。