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。     

基于优化VMD的悬索桥挠度温度效应分离方法

为了研究悬索桥实测挠度的温度效应分离,进一步分析悬索桥实测挠度与温度之间的关联性,采用了变分模态分解(variational mode decomposition, VMD)方法对挠度信号进行处理。通过经验模态分解(empirical mode decomposition, EMD)和VMD对仿真信号的对比分析,发现VMD较EMD对噪声有更好的鲁棒性,解决了EMD所存在的模态混叠现象,但仍存在端点效应。提出采用3段交叉信号分解消除VMD分解所存在的端点效应,考虑模态个数、惩罚因子对VMD分解的影响,形成了基于优化VMD的温度效应分离方法。利用优化VMD方法将输入挠度信号分解成一系列具有不同尺度的本征模函数(intrinsic mode function, IMF)。根据各个分解模态的中心频率,结合实际温度变化的周期性判定对应的挠度组分,对由温度引起的挠度分量进行组合,研究了悬索桥不同截面挠度与温度的关联性,相关系数均达到0.9以上。结果表明,该方法能有效地分离信号中不同的频率组分,同时还能提取出挠度信号中的趋势项,通过分析各个模态与实测温度的关联性,证明温度效应主要集中在低频段,悬索桥挠度变化主要受温度影响;在模态个数的选择过程中,发现随着模态个数的增大,低频信息的中心频率逐渐趋于稳定,高频信息被分解得更加精细。验证了该方法可用于桥梁长期健康监测的数据分析及桥梁损伤识别。     

EEMD和SVM在发动机故障诊断中的应用

针对发动机缸盖振动信号的非线性非平稳特征,提出一种总体平均经验模态分解(EEMD)和支持向量机相结合的信号分析及故障诊断方法,该方法利用EEMD算法以及IMF序列和原始振动信号之间的相关系数,有效放大故障诊断特征向量的差异。对原始振动信号进行EEMD分解,得到各阶特征模态函数(IMF),求各阶IMF分量对应于原始信号的相关系数并组成故障分类特征向量。分别将IMF相关系数法和IMF能量分布法得到的特征向量作为输入,建立BP神经网络和支持向量机,判断发动机工作状态和故障类型。分析表明,对IMF求相关系数的方法简便易行,能有效放大不同工况下特征向量的差异,结合支持向量机能够对既定机型的配气机构和点火系常见故障进行准确识别。     

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。     

基于EMD和关联维数的再制造发动机性能的研究

本文中针对发动机振动信号的非平稳特性,采用经验模式分解方法对信号进行分解,并将其应用于发动机再制造性能的研究中。首先在对振动信号经验模式分解的基础上,引入相关系数表征各IMF分量与原始信号的相关性,并运用关联维数来分析各IMF分量的动态结构。接着为了分析发动机的再制造水平,综合考虑相关系数与关联维数对IMF分量的作用,并将二者有机融合,提出评价发动机再制造水平的一个振动综合度指标,建立了发动机再制造水平与振动综合度之间的对应关系。最后进行了试验研究,结果表明,振动综合度这一指标反映了发动机的运行状态,可以用来评价发动机的再制造水平。     

基于自适应奇异值标准谱和EMD的柴油机故障诊断

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。     

基于EMD的天然气发动机供气系统故障诊断方法

针对天然气发动机故障信号的非平稳性、非线性等特点,提出一种基于EMD提取能量特征参数的故障诊断方法。从天然气发动机供气系统正常、气门间隙大、排气阀漏气3种工况振动信号的EMD能量熵值中发现,当供气系统发生故障时,各IMF分量的能量会发生变化。因此运用EMD方法提取最有效的IMF分量的能量特征指标,利用C均值模糊聚类法对此特征进行聚类进而建立天然气发动机供气系统的故障识别模型。现场试验验证了该方法在天然气发动机供气系统故障诊断中的有效性。     

基于VMD-SWT滚动轴承故障诊断方法研究

在强噪声背景下,滚动轴承非平稳非线性的早期微弱故障信号特征提取较为困难,提出结合变分模态分解(Variational Mode Decomposition,VMD)和同步压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)的分析方法,该方法首先利用最大峭度准则优化VMD参数,使用优化后的参数对故障信号进行VMD分解,再利用峭度准则选择含有有效信息最多的本征模函数(Intrinsic Mode Function,IMF),最后使用SWT对最优IMF进行处理分析,从而提取有效特征频率。对强噪声背景下滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行处理分析,结果表明相比Hilbert包络、SWT等方法,该方法能够从强噪声背景下提取出故障信号频率特征,以此判断滚动轴承的运转状况。同时该方法能够有效重构信号。     

改进的EMD方法对故障弱信号提取的应用研究

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。     

基于EMD和Gabor变换的发动机曲轴轴承故障特征提取

针对发动机振动信号的非平稳特点,提出了一种基于经验模态分解(EMD)和Gabor变换相结合的曲轴轴承故障特征提取新方法。通过EMD方法将发动机非稳态加速振动信号分解成多个本征模态函数(IMF),对与原信号相关性强的前4阶IMF分量进行Gabor变换,从各阶分量Gabor时频分布图的频带能量累加曲线中提取能够反映曲轴轴承磨损故障的频带能量作为故障特征参数。试验结果表明,该方法提取的故障特征参数能敏感地反映曲轴轴承的磨损状态,可作为诊断曲轴轴承故障的重要特征量。     

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...     

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。     

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EMD-SDP图像特征和改进DenseNet车用PMSM故障诊断

永磁同步电机（permanent magnet synchronous motor,PMSM）因转速范围宽、输出转矩大、调速响应快、尺寸小、质量轻等优点被广泛应用于电动汽车驱动系统。受恶劣气候、异常振动和频繁起动-制动工况因素影响,PMSM易发生匝间短路、退磁、轴承磨损等故障。本文针对PMSM相似故障单一维度信号下难区分以及工作条件发生变化时传统诊断方法鲁棒性差的问题,提出了一种基于经验模态分解-对称点模式（empirical mode decomposition-symmetric dot pattern,EMD-SDP）图像特征和改进DenseNet相结合的车用永磁同步电机故障诊断方法。首先,通过实验获取不同状态的电机在多种工况下振动信号,将预处理的振动信号进行EMD处理,求解不同层级本征模态函数（intrinsic mode function,IMF）;其次,将原始振动信号转化为SDP图像,对不同层级IMF转化为RGB色彩特征在SDP图像上显示出来;然后,通过融合scSE注意力机制改进DenseNet学习图像数据集构建分类网络模型;最后,按照信号-图像-网络的流程对待测电机状态进...     

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。     

一种基于EMD和小波阈值的桥梁振动信号混合去噪方法

在对桥梁进行健康监测的过程中,桥梁振动信号易受外部环境干扰而产生噪声,影响桥梁真实振动数据的获取与分析.为了减少噪声带来的影响,提出一种基于经验模态分解法(EMD)与小波阈值的混合去噪方法.该方法先通过EMD分解信号获得高频固有模态函数(IMF)分量,然后选取IMF分量使用小波阈值去噪,最后重构IMF分量获得去噪后的信号.结果 表明,基于EMD和小波阈值混合去噪能有效地滤除干扰噪声信号,且去噪效果优于单一的EMD分解去噪法和小波阈值去噪法.这一结果为桥梁振动信号的去噪处理提供了有意义的参考.     

基于AO算法优化VMD参数联合小波阈值的桥梁信号去噪方法

当桥梁进行状态评估和健康监测时，所获得的桥梁信号易受外部环境的干扰，难以反映桥梁结构的真实响应。针对桥梁信号夹杂环境噪声等问题，提出了基于联合天鹰算法(Aquila Optimizer, AO)、变分模态分解(Variational Mode Decomposition, VMD)和小波阈值的去噪方法。该方法首先利用AO算法优化VMD的参数，然后用VMD对含噪声的信号进行自适应分解，再去除方差贡献率较小的模态，最后对剩余的模态进行小波阈值去噪处理，重构信号得到去噪后的真实信号。对模拟信号和桥梁动应变的实测信号分别进行分析，结果表明：基于AO算法优化VMD参数联合小波阈值的去噪方法能有效滤除噪声信号，且去噪效果优于单一的小波阈值去噪、EMD联合小波阈值去噪以及EEMD联合小波阈值去噪等常用的去噪方法，研究成果可为桥梁信号的去噪处理提供有意义的参考。     

一种适用于发动机振动信号的时频分析方法

本文中对一种新的时频分析方法——同步压缩小波变换进行研究。首先,为检验其对发动机信号的适用性,建立了多分量、调幅-调频仿真信号,采用同步压缩小波变换对其进行分析。接着将其与其它时频分析方法在时频分辨率、信号分解和重构能力方面进行比较;最后以某一发动机为例,分析其瞬变工况下的振动信号,揭示连杆轴承磨损信号变化规律并提取故障特征。结果表明:同步压缩小波变换是一种适用于发动机状态监测与故障诊断的时频分析方法。     

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%。