非平穩(wěn)信號特征提取方法研究及其在內(nèi)燃機故障診斷中的應(yīng)用.pdf

1、內(nèi)燃機健康狀態(tài)評估與不解體故障診斷是內(nèi)燃機及以其為動力源的機械系統(tǒng)以最小的維護與維修成本安全運行的重要保障措施。內(nèi)燃機表面振動信號中包含了豐富的狀態(tài)信息，但由于內(nèi)燃機結(jié)構(gòu)復(fù)雜、運行工況多變的工作特點，導(dǎo)致其表面振動信號表現(xiàn)為繁雜的非平穩(wěn)、非線性時變信號，很難直接作為內(nèi)燃機健康狀態(tài)評估與故障診斷的依據(jù)。因此，對內(nèi)燃機表面振動信號進行深度加工并提取能表征其運行狀態(tài)的關(guān)鍵特征就成為內(nèi)燃機不解體故障診斷方法研究中的關(guān)鍵問題。
　　論文研究

2、了非平穩(wěn)、非線性振動信號特征提取方法及模式識別理論。通過對內(nèi)燃機振動信號的分析再處理，提取能表征內(nèi)燃機運行狀態(tài)的關(guān)鍵特征信息，對比提取的特征信息并利用模式識別器進行分類，實現(xiàn)內(nèi)燃機工作狀態(tài)和故障類型的判定。
　　論文在研究小波閾值降噪理論的基礎(chǔ)上，提出了一種基于自適應(yīng)小波包改進閾值的降噪方法。仿真結(jié)果表明，該方法在信噪比及均方根誤差方面均優(yōu)于傳統(tǒng)小波閾值降噪法。
　　通過研究局域波分解與小波包分解頻帶能量理論，提出EEMD-

3、小波能量與LMD-小波能量信號特征提取方法，并利用兩種方法對柴油機噴油提前角故障進行診斷，結(jié)果表明：LMD-小波能量方法在故障診斷中更優(yōu)。
　　同時，針對盲源分離過程中無法實現(xiàn)單通道信號輸入以及經(jīng)驗?zāi)B(tài)分解（EMD）和基于線性假設(shè)的獨立分量分析（ICA）在分析非線性信號方面的不足，提出基于局域均值分解（LMD）與核獨立分量分析（KICA）協(xié)同的信號源特征提取方法（LMD-KICA），并且在柴油機故障診斷中得到應(yīng)用。
　　以L

4、MD與KICA協(xié)同的信號特征提取方法為基礎(chǔ)，論文提出基于KICA-LMD分形理論的信號特征提取方法（KICA-LMD-CD）。首先利用自適應(yīng)小波包改進閾值方法和數(shù)學(xué)形態(tài)濾波方法對柴油機故障信號進行降噪預(yù)處理，然后經(jīng)過KICA-LMD分解后計算分量（PFs）分形關(guān)聯(lián)維數(shù)值，通過分析關(guān)聯(lián)維數(shù)值大小及其變化趨勢判斷柴油機噴油提前角狀態(tài)。同時探討了噪聲及局域波分解對柴油機振動信號關(guān)聯(lián)維數(shù)計算的影響。結(jié)果表明：噪聲對關(guān)聯(lián)維數(shù)值計算影響較大，降噪是

5、計算關(guān)聯(lián)維數(shù)的前提；KICA-LMD分解后分量PFs的關(guān)聯(lián)維數(shù)值可以作為柴油機工作狀態(tài)的判斷依據(jù)。
　　將支持向量機作為柴油機氣門間隙故障診斷的分類識別器。提出了一種基于KICA-LMD相關(guān)系數(shù)的信號特征提取方法，用于提取某六缸柴油機振動信號分解分量PFs的相關(guān)系數(shù)，并作為支持向量機的特征量對柴油機故障進行分類。
　　綜合上述方法提出了一種多特征提取分類識別的信號特征提取方法。對某六缸柴油機氣門間隙七種狀態(tài)的缸蓋振動信號提取