基于改进局域波法的柴油机振动信号分析

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。     

基于VMD多尺度散布熵的柴油机故障诊断方法

为从非平稳非线性的缸盖振动信号中提取出柴油机故障特征,本文中提出一种基于变分模态分解(VMD)的多尺度散布熵的柴油机失火故障诊断方法。利用VMD对柴油机缸盖振动信号进行分解,选取散布熵最小的模态分量作为分析信号,计算该信号的多尺度散布熵,并选取前6个尺度散布熵作为故障特征向量,输入粒子群优化的支持向量机(PSO-SVM)中进行失火故障分类判断,并与其他4种常见方法进行对比,结果表明,本文中提出的诊断方法能够有效提取故障特征,准确识别故障类型,优于所对比方法。     

柴油机振动信号自适应分解方法的比较EI北大核心CSCD

变分模态分解是一种新的自适应分解方法,为检验其对柴油机信号的适用性,建立多分量、调幅-调频和含噪仿真信号,采用变分模态分解法对其进行分解,并与其它自适应分解方法从分解效果、抑制模态混叠和端点效应能力等方面进行比较;接着分解柴油机瞬变工况的振动信号,发掘曲轴轴承磨损信号变化规律,提取故障特征;最后利用支持向量机进行故障类型识别,进一步验证该方法的有效性。结果表明:变分模态分解在分解效果、抑制模态混叠和端点效应能力等方面均优于其他自适应分解方法,适用于柴油机状态监测和故障诊断。     

柴油机振动信号自适应分解方法的比较

变分模态分解是一种新的自适应分解方法,为检验其对柴油机信号的适用性,建立多分量、调幅-调频和含噪仿真信号,采用变分模态分解法对其进行分解,并与其它自适应分解方法从分解效果、抑制模态混叠和端点效应能力等方面进行比较;接着分解柴油机瞬变工况的振动信号,发掘曲轴轴承磨损信号变化规律,提取故障特征;最后利用支持向量机进行故障类型识别,进一步验证该方法的有效性。结果表明:变分模态分解在分解效果、抑制模态混叠和端点效应能力等方面均优于其他自适应分解方法,适用于柴油机状态监测和故障诊断。     

EMD和AR模型在汽车变速器轴承故障诊断中的应用

针对汽车变速器轴承振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和自回归(Auto Regressing，简称AR)模型的滚动轴承故障诊断方法。实验结果表明，此方法可以准确、有效地识别变速器轴承的工作状态和故障类别。     

基于零空间追踪和SWT的柴油机信号降噪研究

为减少柴油机振动信号的噪声干扰,提取有用的信息,提出了一种基于零空间追踪算法和同步压缩小波变换相结合的组合降噪方法,利用压缩小波对主频信号精细重构的优点与零空间追踪算法的自适应分解的特点对信号进行降噪处理。该方法相比 EMD 更加适应柴油机振动信号特点,仿真和实例信号表明,该方法取得了较好的降噪效果。     

一种基于广义S变换增强的柴油机失火故障特征提取方法

为有效提取柴油机缸盖振动信号失火故障特征,提出一种基于广义S变换增强的柴油机失火故障特征提取方法。首先根据柴油机燃烧过程与配气相位的关系对信号进行等角度重采样,然后利用广义S变换对信号进行消噪处理,并按工作循环将信号的周期性瞬态特征进行同步增强。通过仿真信号验证和某柴油机缸盖振动信号的实例应用,结果表明,此方法能有效地提取柴油机缸盖振动信号的失火故障特征,实现失火故障的准确诊断。     

基于蚱蜢算法优化变分模态分解的滚动轴承故障诊断

针对变分模态分解(VMD)在处理实际信号无法预先掌握其分解参数(K,α)而限制其使用，以及包含故障信息的特征参数的选取问题，提出了自适应变分模态分解(AVMD)算法。该算法首先以所分解模态的平均包络信息熵和包络峭度两种指标融合作为目标函数，利用蚱蜢算法(GOA)寻优，获取VMD的分解参数(K_op,α_op),接着对原始振动信号进行VMD分解，通过能量百分比的计算，选取能量90%及以上的敏感模态，对其多域联合的特征参数构建特征向量，最后利用支持向量机(SVM)对滚动轴承的四种状态进行识别。通过滚动轴承数据集分析表明，采用AVMD方法提取的故障特征比EMD、EEMD、传统VMD以及PSO-VMD等方法提取的故障诊断特征的故障模式识别准确率更高，在测试数据集上的准确率达到99.166 7%。     

基于缸盖振动信号分析的柴油机失火故障检测

用小波软阈值降噪的方法提高了柴油机缸盖振动信号的信噪比。对降噪后的振动信号进行了功率谱分 析,通过比较单缸断油前后功率谱的变化,找到了缸盖燃烧冲击振动的频段。以频段内振动信号的能量与总能量 的比值为诊断参数,识别了柴油机的失火故障。用实测数据证明了该方法的有效性。     

甲醇-柴油双燃料发动机甲醇泄漏故障预诊断研究

甲醇作为发动机的替代燃料被广泛应用,然而甲醇腐蚀性较强,易腐蚀管路导致泄漏.针对现有发动机故障诊断系统无法预测甲醇腐蚀泄漏的问题,提出了基于经验模态分解(EMD)和萤火虫概率神经网络(FAPNN)的故障预诊断方法.对发动机供醇管道振动信号进行EMD分解,并提取能量熵作为信号特征.将能量熵矩阵输入FAPNN模型中,识别供...     

强噪声背景下的柴油机失火故障诊断

柴油机失火是常见的故障模式,传统的诊断方法不仅参数获取困难且准确性差。针对此问题,以3缸四冲程柴油机为研究对象,设计了柴油机失火故障的预置试验,采集排气噪声和缸盖振动信号进行故障诊断研究。为提取强噪声背景下的微弱信号,采用二次采样随机共振系统提取柴油机故障特征频率完成柴油机的失火故障诊断。研究结果表明,通过二次采样处理,随机共振系统可以将噪声能量转移到柴油机微弱特征信号上,达到大参数条件下微弱信号特征提取的目的,能有效识别柴油机的早期故障,对其他复杂机械的振动诊断同样具有参考价值。     

基于 GT-Crank 仿真的柴油机气缸磨损时瞬时转速分析

利用 GT‐Crank 软件对柴油机曲轴瞬时转速进行仿真分析计算,研究了正常状态、单缸磨损、多个相邻缸磨损和多个非邻缸磨损状态下瞬时转速的变化规律,提取了状态特征参数,并分析了气缸磨损对其他缸的影响,为深入研究瞬时转速在柴油机状态检测诊断中的应用提供了理论依据。     

基于单振动传感器的多缸柴油机失火诊断

通过模拟某12缸柴油机各缸失火试验,对缸盖振动信号中各缸爆发响应信号进行分析,研究表明,各缸爆发在同一测点均会引起振动响应,响应信号的频谱成分不变,幅值变化满足本缸准则及邻缸准则.基于主序列法在不依赖上止点传感器的情况下提取各缸爆发信号的相对幅值,通过判断相对幅值的变化率实现了对传感器所在气缸排各缸失火故障的诊断及定位...     

基于BP神经网络的汽油机失火故障诊断方法的研究

针对基于曲轴瞬时角加速度的一般失火故障诊断算法能诊断失火故障,但未能有效区分故障模式的缺陷,提出了一种基于做功时间和BP神经网络的失火诊断算法.根据不同模式下各缸做功时间的波动,提取诊断循环内各缸做功时间信号的特征参数,结合BP神经网络模式识别功能,实现不同模式下的失火故障诊断.通过台架试验,测试了在正常工作、第3缸单...     

基于多尺度核独立元分析与核极限学习机的柴油机故障诊断

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%。     

基于欠定盲源分离的柴油机曲轴轴承故障诊断方法研究

针对柴油机曲轴轴承振动信号盲源分离的欠定问题,提出了基于相空间重构和动态聚类奇异值分解的适定化方法。首先通过引入广义时间窗的概念确定最佳时间延迟和嵌入维数,重构信号相空间矩阵;然后对其进行奇异值分解,并对奇异值进行动态聚类以确定最佳重构阶数,进而重构得到虚拟观测信号,从而将欠定问题转变为适定或超定;最后利用自适应Parafac方法对原观测信号与虚拟观测信号构成虚拟传播路径进行盲源分离得到有效源信号。仿真结果表明,该方法可有效分离出混合信号中的源信号,并将其应用到柴油机曲轴轴承故障诊断中,诊断准确率提高了18.4%。     

柴油机齿轮室总成异响分析与改进

针对某叉车柴油机齿轮室总成在常用工作转速条件下产生异响的实际问题,给出了基于连续小波变换的谱分析技术与有限元计算模态分析法相结合的方法对其异响进行分析研究。通过台架试验分析,提取了齿轮室总成异响与其激励源响应的时频相关特征,找到了引起异响的原因：齿轮室总成固有频率与柴油机宽带激励频率相吻合,产生了结构共振;通过有限元模型仿真分析,识别了不同装配条件下齿轮室总成的固有特性,确定了导致结构系统共振的薄弱环节。试验结果表明,通过增加齿轮室总成局部结构刚度,提高其固有频率,能消除齿轮室总成异响。     

采用改进的集总平均经验模态分解法的内燃机气门拍击激励与燃烧激励分离的研究

提出了一种改进的集总平均经验模态分解(M-EEMD)方法,并阐述了其基本原理。通过仿真试验,证实了M-EEMD不仅能够很好地解决经验模态分解(EMD)中模态混叠问题,而且能够抑制集总平均经验模态分解(EEMD)的噪声残余和模态分裂等问题。作为实例,对一个4缸4冲程内燃机气缸盖罩的振动信号进行M-EEMD分解,并对分解得到的IMF分量进行时频分析。结果表明M-EEMD能够成功地将内燃机气门拍击引起的机械激励成分与燃烧激励成分分离。