發(fā)布時間：2021-08-23 16:15

　　為實現(xiàn)利用單一通道信號通過同一方法區(qū)分多種發(fā)動機故障的目的,筆者對現(xiàn)有算法進行了優(yōu)化以提取振動信號中的故障特征。首先,針對變分模式分解（variational mode decomposition,簡稱VMD）的分解層數(shù)選擇困難問題,文中以幾種不同類型故障的頻率特征為基礎,優(yōu)化了其中心頻率迭代初始值,在保證準確性的前提下提高了算法的計算效率與簡便性;然后,利用魯棒性獨立分量分析（Robust independent component analysis,簡稱Robust ICA）對VMD處理結(jié)果再次分解,分析發(fā)動機中可能存在的不同振源的同頻率信號,并將兩個階段分解結(jié)果重構(gòu)信號的四階累積量作為故障判定指標。結(jié)果表明:以模糊C均值聚類（fuzzy C-means clustering,簡稱FCM）確定的聚類中心為參考點,利用各個工況點與噴油故障聚類中心的歐氏距離區(qū)分故障類型,取得了較高的正確率。 

【文章來源】：振動.測試與診斷. 2020,40(05)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

氣門間隙偏小工況信號分解結(jié)果

基于表1，文中將K值設為6，對應的中心頻率迭代初始值為對各個分量中心頻率均值取平均，其中噴油故障的IMF7分量將與IMF6共同計算。結(jié)果為：0.82,2.11,3.93,5.75,7.70,10.49kHz�；谶@一結(jié)論重新對上述信號進行分解，其中心頻率如圖2～5所示。圖3 氣門間隙偏大

氣門間隙偏大

【參考文獻】：
期刊論文
[1]基于奇異值和奇異向量的振動信號降噪方法[J]. 張曉濤,李偉光.  振動.測試與診斷. 2018(03)
[2]變分模態(tài)分解在轉(zhuǎn)子故障診斷中的應用[J]. 向玲,張力佳.  振動.測試與診斷. 2017(04)
[3]基于模糊粗糙集和SVM的航空發(fā)動機故障診斷[J]. 曹愈遠,張建,李艷軍,張麗娜.  振動.測試與診斷. 2017(01)



本文編號：3358190