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。     

基于小波与深度置信网络的柴油机失火故障诊断

为更深入地了解柴油机失火故障的机理,提高失火故障诊断准确率,本文中提出了一种基于小波与深度置信网络的柴油机失火故障诊断方法。首先,采用等角度采样法对柴油机缸盖振动信号进行采样,获得平稳的角域信号,消除循环波动干扰;然后,通过连续小波变换对角域信号进行角-频分析,提取点火频率附近频带后利用连续小波逆变换重构信号;接着,按照柴油机工作循环从重构信号中,分段提取方差、峭度和峰值等12种常用特征参数并构造诊断参数矩阵;最后,利用深度置信网络对诊断参数矩阵进行降维和第二次特征提取,并依据二次特征对失火故障进行诊断。将该方法应用到某型柴油机上的结果表明,该方法能准确提取失火故障信息,有效诊断失火故障。     

基于时-频相干与 RBF 网络的气缸压力识别研究

针对从缸盖振动信号中分离燃烧激励引起的振动信号及其他干扰信号的问题,提出一种基于时‐频相干与神经网络的气缸压力识别方法。首先采用 Morlet 连续小波变换分别将缸盖振动信号和缸压信号在时‐频域内展开,然后采用交叉小波对两信号进行时‐频相干分析,设定相干系数阈值并进行掩膜处理,对所得结果重构便可得到燃烧激励引起的缸盖振动信号。最后,选取8个参数作为评价燃烧效果的特征指标,利用径向基函数（RBF）神经网络估计缸压。研究结果表明：该方法有效地提取了缸盖上的燃烧特征信号,通过 RBF 神经网络估计缸压,逼近于实际缸压变化。     

基于多分类支持向量机和D-S证据理论的轴承故障诊断

针对支持向量机( SVM)硬判定输出分类结果缺乏定量评价的问题,提出了一种多分类SVM后验概率建模的改进方法。通过引入D-S证据理论,得到多分类SVM在D-S证据理论识别框架下的基本概率分配,使样本在分类时同时具有定性解释和定量评价。接着,将多源信息送入SVM之后在决策级对多个SVM分类输出进行证据融合,以提高诊断精度。最后,将该方法应用于轴承故障的诊断中。结果表明,该方法能正确分类采用单源信息时所错分样本,降低识别的整体误差,显著提高故障诊断的准确性。     

基于最佳阶次FRFT的阶比分量提取

为在变速器故障诊断中提取微弱的故障特征,提出了一种基于转速信号确定分数阶傅里叶变换(FRFT)最佳阶次,并通过滤波提取变速器变速过程啮合阶比分量的方法。首先,根据输入轴转速信号和传动比,计算各挡位啮合频率分量,接着进行最小二乘拟合,以确定各分量FRFT的最佳阶次,最后在该最佳分数阶域进行滤波,获得对应的阶比分量。试验结果表明,根据转速信号确定FRFT最佳阶次,准确、快速、鲁棒性好,并具有自适应性;最佳阶次FRFT滤波能有效剥离其他分量和噪声,提取出目标阶比分量;对目标阶比分量进行单分量分析,能得到该分量更全面、细致、准确的信息。