变分模态分解的Volterra模型和形态学分形维数在发动机故障诊断中的应用

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。     

基于多分辨率近似熵的发动机声信号特征提取

介绍了近似熵的概念、主要特点及其快速算法,在分析了小波包与近似熵原理的基础上,提出了一种多分辨率近似熵的特征提取方法,并且讨论了近似熵值计算中3个参数的选择原则,其后对发动机声信号进行了分析处理,通过对比正常状态与故障状态共8种工况下的小波包3层分解后各节点的近似熵值,确定出了故障的特征频带,根据近似熵在敏感频带内的变化有效提取出发动机故障特征,从而实现了对发动机状态的监测与诊断。试验结果也证明了近似熵在分析复杂信号特征方面具有很强的能力,在判别机械设备运行状况方面具有很好的效果。     

基于支持向量数据描述的驱动桥异响检测

针对驱动桥异响检测缺乏故障样本的问题,提出了异响检测的单值分类法———支持向量数据描述法(SVDD)。这种方法只需要正常运行状态的数据样本,就可以建立单值分类器,区分出正常和异常状态。试验中,提取驱动桥振动信号频谱的二维谱熵作为特征指标,输入到SVDD分类器。结果表明SVDD算法计算效率高,分类效果好,可以满足在线检测的要求。     

基于维倒谱的汽车齿轮变速器信号特征提取

从三阶累积量出发,提出1 1/2维倒谱的概念,从理论上推导了其能抑制噪声、提高信噪比.并将其与倒谱对比,应用于实际的汽车齿轮变速器故障特征提取,分析表明,相对于倒谱而言1 1/2维倒谱能有效地从复杂的信号成分中提取出特征信号来,并且计算量小,精度高.     

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...     

基于1DCNN与双通道信息融合的柴油发动机故障诊断

针对传统单通道振动信号诊断方法只能采集部分信息用于局部诊断,而多通道信号融合权重确定困难、实时性差的问题,提出一种基于深度一维卷积神经网络(One-dimensional Deep Convolutional Neural Network,1DCNN)与双通道信息融合的柴油发动机故障诊断方法.通过搭建柴油发动机预置故障试验台,将传感器配置于发动机不同位置以采集发动机运行过程中的双通道故障信号,分别提取振动信号中的最大值、最小值、峰峰值、均值、整流平均值、方差、标准差、峭度等14个特征,构建特征集矩阵并利用主成分分析(Principal Component Analy-sis,PCA)进行特征融合,输入深度一维卷积神经网络,实现对发动机不同故障状态的诊断.试验结果表明,该方法可以有效识别发动机不同的故障状态,与单通道信号诊断相比,所提出的双通道信息融合方法在发动机故障诊断中具有更好的效果.     

分形维数在基于噪声的发动机故障诊断中的应用

将分形理论引入发动机噪声信号分析中,介绍了基于信号重构的发动机噪声分形维数G-P算法,运用自相关函数法和伪相图法讨论了信号重构中延迟时间的选取,并通过分析比较分形维数随嵌入维数的收敛关系,确定了分形维数计算中合适的嵌入维数。从不同工况下柴油机噪声信号分形维数的变化关系中发现:基于发动机噪声的分形维数可以定性表征发动机故障,在一定程度上可作为内燃机工作状态监测和故障诊断的一个特征量。     

一汽丰田卡罗拉1ZR-FE发动机电动燃油泵故障诊断与检测

<正>丰田卡罗拉1.6L轿车使用1ZRFE型发动机,该发动机燃油供给系统采用涡轮式电动燃油泵进行泵油,该电动燃油泵主要由驱动电动机、泵体和壳体组成。该电动燃油泵的控制电路如图1所示,燃油泵的电动机通电受燃油泵继电器(C/OPN)控制,燃油泵继电器(C/OPN)的通断由发动机电控单元(ECM)内部电路控制,发动机ECU根据启动信号和曲轴位置信号(NE+)控制三极管Tr的开通和截止,进而实现对燃油泵继     

基于改进变分模态分解与双测度分形维数的发动机故障诊断

提出了一种基于改进变分模态分解(Variational Mode Decomposition,VMD)与双测度分形维数的发动机故障诊断方法。首先利用互信息法对缸盖振动信号进行端点延拓,并利用VMD算法将延拓后信号分解为多个固有模态分量(Intrinsic Mode Function,IMF),从而抑制VMD的端点效应,提高信号分解精度。然后利用正交变换方法将各IMF分量正交化,给定时间尺度序列τ=(τ_1,τ_2,…τ_n),并自适应地选择分界点将τ划分为第Ⅰ、Ⅱ尺度区间,利用各正交化的IMF分量在两个尺度区间内分别计算信号的分形维数,得到双测度分形维数,分别描述信号中的细节信息和趋势信息。最后将双测度分形维数作为特征参数输入极限学习机分类模型实现发动机故障诊断。仿真与试验结果表明:所提方法能够有效抑制VMD的端点效应,提高信号分解精度,双测度分形维数具有良好的类内聚集性和类间离散性,提高了发动机故障诊断精度。     

基于3／2维倒谱的汽车齿轮变速器信号特征提取

从三阶累积量出发，提出3/2维倒谱的概念，从理论上推导了其能抑制噪声、提高信噪比。并将其与倒谱对比，应用于实际的汽车齿轮变速器故障特征提取，分析表明，相对于倒谱而言3/2维倒谱能有效地从复杂的信号成分中提取出特征信号来，并且计算量小，精度高。     

基于核主成分分析的柴油机技术状态评估

提出了一种基于核主成分分析的柴油机技术状态评估方法,该方法通过跟踪柴油机全寿命周期内的机体振动信号,引入振动信号频域内振动烈度与统计特征值构成特征子集,利用核主成分分析方法获得特征子集的主分量,选用极限学习机对主分量特征样本进行分类和测试,可有效地消除冗余信息,提高识别精度。对柴油机技术状态评估后的结果表明,该方法较主成分分析法识别精度约提高了25个百分点。     

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%。     

峭度分析法在发动机噪声信号故障特征提取中的应用

将峭度分析法引入发动机噪声信号故障特征提取中。基于连续小波变换对信号时间-尺度特征的细致刻画功能,提出了噪声信号中瞬时特性的峭度敏感特征参数计算方法,对不同转速不同工况下的发动机噪声信号进行了基于尺度-峭度的特征提取。研究结果表明,峭度结合连续小波变换能够很好地提取发动机噪声信号的故障特征。利用连续小波变换的尺度-峭度分析,能够有效提取噪声信号不同转速不同工况下的故障特征,为发动机的状态监测与故障诊断提供了重要的理论和现实依据。     

基于前额脑电多尺度小波对数能量熵的驾驶疲劳检测分析

为研究脑机接口（BCI）在交通运输中的应用，减少因疲劳驾驶导致的交通安全事故，提出基于前额脑电（EEG）信号多尺度小波对数能量熵的驾驶疲劳检测方法。首先，设计驾驶仿真模拟试验，利用脑电帽采集26名被试清醒驾驶和疲劳驾驶的前额EEG信号，试验过程中，使用主观检测方法每隔20 min对被试进行问询；其次，应用MATLAB对采集到的EEG数据进行预处理，基于2种驾驶状态形成被试初始样本数据集；进而，在该数据集基础上，利用多尺度熵的概念，提取EEG信号小波对数能量熵（WLE）特征，同时提取经典模糊熵（FE）特征进行比较分析；然后，运用极限学习机（ELM）对提取的特征数据集进行快速有效的精准分类，并使用留一交叉验证法进行验证评估；最后，对比经典FE分类表现，并结合多种性能指标对驾驶疲劳检测结果进行综合比较。研究结果表明：在本文试验条件下，基于多尺度WLE（MWLE）的前额EEG疲劳识别率显著高于基于多尺度FE（MFE）的识别率，其理论平均正确率达91.8%；基于多尺度熵的EEG信号特征提取方法能有效提高驾驶疲劳识别效果和算法效率；多种性能指标表明前额EEG的WLE可以作为衡量驾驶疲劳的有效生理指标；结果验证了采用基于ELM对MWLE的前额EEG信号进行驾驶疲劳检测方法的有效性和实用性，有助于促进可穿戴BCI在疲劳驾驶预警中的应用。     

基于SFCE与规则推理的发动机集成故障诊断方法

针对发动机磨损过程的复杂性以及故障症状(磨粒信息)与故障原因之间对应关系的不确定性,首先对磨粒数量特征信息进行了模糊化,建立了某发动机典型磨损故障的模糊规则库。针对单一故障诊断方法的局限性,引入了对称模糊交互熵的故障推理方法,在此基础上建立了基于对称模糊交互熵和规则推理相结合的发动机故障诊断模型。本模型首先采用对称模糊交互熵对故障原因进行"过滤",滤除出现可能性较小的原因,然后利用规则推理进一步确认最后的故障原因。实例表明,该方法在发动机多症状多原因的复杂情况下能够取得较好的诊断结果。     

基于振动信号的发动机转速测量研究

介绍一种基于发动机气缸振动信号测量转速的方法.通过采集发动机气缸内部混合气燃烧时的振动信号,利用Labwindows/CVI软件对信号进行频谱分析、低通滤波,结合发动机的振动源以及发动机振动与转速之间的关系,得出发动机的转速.试验证明,此测试方法具有较高的精度.     

汽油机劣化时的瞬态排放量熵值分析

介绍了符号时间序列分析中的直方图、Shannon熵等,并给出了熵值的计算程序,选用BN492Q和CS492Q两台汽油机台架进行实验,对得到的实验数据进行熵值分析,结果验证了符号时间序列分析方法的Shannon熵可以作为汽油机瞬态排放的评价参数。     

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。