共查询到19条相似文献,搜索用时 234 毫秒
1.
《汽车工程》2019,(12)
针对实测发动机故障信号的非线性和形态学分形维数难以对其有效估计的问题,提出一种基于变分模态分解(variational mode decomposition, VMD)的Volterra模型和形态学分形维数相结合的发动机故障诊断方法。首先采用VMD方法对发动机故障信号进行分解,通过基于互信息熵-能量熵增量的虚假固有模态函数(intrinsic mode function, IMF)分量剔除算法,将噪声和虚假干扰成分从信号内分离,对含有故障信息的敏感IMF分量重构,然后通过对重构信号相空间的重构,建立Volterra自适应预测模型,获取模型参数,最后计算模型参数向量的形态学分形维数,并将其作为量化的特征参数用于发动机工作状态和故障类型的识别。通过对实测发动机声振信号的分析,结果表明,该方法可有效提取发动机的状态特征信息,实现发动机异响的故障诊断。 相似文献
2.
动力电池系统是电动汽车(EV)的关键部件和主要故障源,因而提高动力电池故障诊断的效率和准确率显得尤为重要。基于此提出一种基于快速傅里叶变换(FFT)和异常系数评估(ACE)的动力电池电压不一致性故障诊断方法。针对6辆发生故障或热失控事故的电动汽车和1辆电压一致性良好的电动汽车,基于其在新能源汽车国家监管平台的全生命周期运行数据,经过电压数据的数据清洗、数据变换等大数据预处理后,利用FFT技术时频变换,提取频域中的幅值作为故障诊断的特征参数;然后,引进基于Z分数理论的异常系数对故障程度进行定量评估,以实现故障单体的检测和定位;此外,针对存在多个故障单体的情况,基于单体异常率的计算,实现单体故障程度的判定和排序;在此基础上,详细分析电压数据长度及采样间隔、FFT采样点数对模型的影响;最后,与基于熵和Z分数的电压故障诊断方法进行比较。研究结果表明:在上述研究条件下,该诊断方法对于电压一致性良好的车辆未产生误报警,且可以有效地检测出事故车辆动力电池系统存在的电压不一致性故障;相比之下,模型平均计算准确率提高了3.25%,模型平均耗时仅为熵值模型的0.55%;验证了该方法故障单体定位更精准、数据适用性更好及计算速度更快的优点。该研究成果能有效实现动力电池电压不一致性故障诊断,具有较高的工程应用价值。 相似文献
3.
《中国公路学报》2017,(1)
针对动态噪声环境下行进中的机动车辐射出的声信号具有强非平稳性、多尺度性及低信噪比的问题,提出一种基于局部均值分解(LMD)和局部投影能量计算的车型声特征提取方法。首先,利用LMD方法对采集的声信号进行自适应分解,得到各尺度上的乘积函数(PF)分量,从强背景噪声中分离出包含车型特征频率成分的PF分量;其次,对LMD分解结果进行加权优化,重构特征PF分量,滤除虚假成分及弱相关分量,以增强特征信息;最后,将特征PF分量的能量等距离投影到能量聚集区内,基于能量尺度构造声信号的低维特征向量,并通过人工神经网络的学习对特征向量进行识别。在试验数据集上,采用LMD局部投影能量特征对目标车辆进行车型识别,并对试验数据集添加不同强度的噪声,进行LMD分解及局部投影能量计算,将计算结果与其他特征提取方法计算结果进行对比分析。结果表明:该方法对于车型信息十分敏感,识别率达到93.4%;可以有效抑制动态环境下的背景噪声干扰,获取目标敏感的窄带信号,具有很好的抗噪能力;选择在重构窄带信号的能量聚集区内进行投影计算,可以有效去除冗余特征,同时提高算法的实时性。 相似文献
4.
开关柜局部放电智能在线监测系统在电力系统中起着非常重要的作用。本文提出了通过测量温度、湿度、局部放电以及电压、电流等技术指标,综合评判开关柜高压部分绝缘引起的温升、放电等情况,为开关柜的故障进行综合在线智能诊断,实现开关柜故障诊断的数字化。 相似文献
5.
针对滚动轴承的故障特征向量往往被大量的噪声信号淹没的特点,提出了一种基于结合改进EMD方法,用以提取滚动轴承的故障特征向量。该方法首先对原故障信号进行小波包分解和重构,得到降噪后的重构信号,然后对其进行EMD分解,将分解后的IMF分量与降噪后的重构信号的互相关系数和峭度值作为判断标准,消除传统的EMD分解中的伪分量,最后对真实的IMF分量进行包络谱分析,提取弱故障信号中的特征。实例研究结果表明:该方法能够有效地提取淹没在噪声信号下的滚动轴承故障信号的特征。 相似文献
6.
电池包经常处于深度放电状态会极大地影响电池寿命,在严重情况下甚至会导致停车故障,传统故障诊断方法难以判断电池潜在故障以及故障发生程度。因此,本文提出了一种基于特征提取和XGBoost的电池故障预警方法。该方法对电池数据进行预处理,根据电芯端电压构建新的特征,对电池数据进行标注,建立XGBoost预测模型来预测电压故障,判断动力电池是否欠压。此外,还采用K折交叉验证以及随机搜索算法提高预测的准确性。实验结果表明,该方法可以有效区分故障车和正常车,并提前定位故障发生时间,从而避免潜在的事故风险。 相似文献
7.
为提高柴油机故障诊断速度和精度,提出了基于改进多尺度核独立元分析与量子粒子群优化核极限学习机的故障诊断方法。首先利用固有时间尺度分解对缸盖振动信号进行多尺度时频分解,并根据故障敏感度参数筛选有效分量以实现振动冲击特征增强;然后利用核独立元分析消除有效分量间的频带混叠,分离故障敏感频带,并提取各频带的AR模型参数、多尺度模糊熵和标准化能量矩构造联合故障特征向量;最后建立基于量子粒子群优化的核极限学习分类器实现柴油机故障诊断。试验结果表明,该方法有效增强了缸盖振动信号中的故障敏感特征,提高了柴油机故障诊断速度和精度,故障分类准确率达到98.45%。 相似文献
8.
9.
10.
针对柴油机多发故障,提出了自适应奇异值标准谱和经验模态分解(Empirical Mode Decomposition,EMD)相结合的故障诊断模型。通过计算平均最近邻域发散度和奇异值标准谱的方法自适应地选择奇异值分解的嵌入维数和重构阶数,提高了奇异值分解降噪的精度。对降噪后的信号进行EMD分解,并利用调整余弦相似度标准提取反映信号真实特征的主固有模态函数(Intrinsic Mode Function,IMF),进而提取故障特征参数。将此模型应用于F3L912柴油机进气门漏气、单缸失火和多缸失火等故障的诊断,通过提取峭度和过零率作为故障特征,获得了较高的故障分类准确率。 相似文献
11.
针对传感器故障诊断问题,提出通过分析模型预测电压与传感器观测电压的残差来诊断传感器是否发生故障的方法。使用无迹卡尔曼滤波 (Unscented Kalman Filter,UKF) 算法估计电池的端电压,并提出使用奇异值分解(Singular Value Decomposition,SVD) 代替平方根法分解,以解决协方差矩阵非正定导致的算法无法正常运行的问题。提出使用累积和 (Cumulative Sum,CUSUM) 法对残差进行分析,通过监测 CUSUM 的变化来判断传感器是否发生故障。以动应力测试 (Dynamic Stress Test,DST) 工况作为验证工况,用 3类常见的传感器故障对提出的方法进行验证。
结果表明,提出的传感器故障检测方法在一些微小故障的检测中,相比于传统的设定残差阈值的方法更灵敏,能更快检测出微小的数据偏移情况。 相似文献
12.
13.
14.
提出了一种基于奇异值分解降噪的柴油机振动信号局域波分解方法,首先对原始振动信号进行相空间重构和奇异值分解,然后根据分解的奇异值降噪,接着利用经验模式分解法提取降噪后振动信号的基本模式分量,最后作出时频曲线和边界谱曲线。对滤波前和滤波后的柴油机振动信号进行了局域波分析,分析结果表明,奇异值分解能够有效地提高信噪比,突出原始振动信号的特征,使得降噪后的振动信号分解出的基本模式分量和时频曲线以及边界谱曲线具有更明确的物理意义,有利于对柴油机进行精确诊断。 相似文献
15.
16.
17.
18.