為有效地從柴油機(jī)缸蓋表面振動信號中提取氣門間隙故障特征,提出一種基于變分模態(tài)分解（VMD）和奇異值分解（SVD）的特征提取新方法。采用VMD算法對缸蓋振動信號進(jìn)行分解,利用所得的模態(tài)分量構(gòu)建特征矩陣;接著應(yīng)用SVD理論將特征矩陣轉(zhuǎn)變?yōu)楸碚黝l率特性的奇異值序列,探討了穩(wěn)定工況下的奇異值序列與不同氣門間隙狀態(tài)之間的關(guān)系;由于轉(zhuǎn)速、負(fù)荷等工況的改變對信號特征層的影響與故障所引起的信號特征的改變可能非常相似,因此將奇異值序列作為特征參數(shù),輸入到隨機(jī)森林分類器中,構(gòu)建分類模型,對柴油機(jī)變工況下的氣門間隙故障進(jìn)行診斷。實驗結(jié)果表明:該方法能有效識別氣門間隙故障,突出故障敏感特征;與傳統(tǒng)基于Hankel矩陣和小波包系數(shù)矩陣的SVD特征提取方法相比,該方法所提特征參數(shù)在柴油機(jī)變工況條件下具有更高的識別率。 

【文章來源】：振動與沖擊. 2020,39(16)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

IMF分量中心頻率

不同狀態(tài)下的三維奇異值特征散點(diǎn)圖

將柴油機(jī)A、B、C、D、E、F 6種工況下的每種氣門間隙正常和故障狀態(tài)的振動數(shù)據(jù)分別采集70組,每組數(shù)據(jù)采集時間為0.08 s,即長度為4 096點(diǎn)。隨機(jī)選取不同工況下各氣門間隙狀態(tài)的一組特征向量曲線,如圖7所示。從圖7可知,各狀態(tài)下的特征向量在柴油機(jī)變工況時具有穩(wěn)定性和一致性。即工況A與工況B、工況C與工況D、工況E與工況F的特征向量曲線比較接近,說明對于負(fù)荷的改變,特征向量具有良好的穩(wěn)定性;處于工況C和工況D時,還有工況E與工況F時,由于轉(zhuǎn)速不斷升高的緣故,特征向量曲線整體逐步上移(即曲線幅值增大而形狀基本一致),說明對于轉(zhuǎn)速的改變,特征向量具有一致性。3.4 基于隨機(jī)森林的變工況氣門間隙故障識別研究

【參考文獻(xiàn)】：
期刊論文
[1]內(nèi)燃機(jī)變分模態(tài)Rihaczek譜紋理特征識別診斷[J]. 岳應(yīng)娟,王旭,蔡艷平.  儀器儀表學(xué)報. 2017(10)
[2]RBF-SVM的核參數(shù)選擇方法及其在故障診斷中的應(yīng)用[J]. 周紹磊,廖劍,史賢俊.  電子測量與儀器學(xué)報. 2014(03)
[3]基于LMD邊際譜的柴油機(jī)氣門故障診斷[J]. 劉昱,張俊紅,畢鳳榮,林杰威,李維偉,魯鑫.  內(nèi)燃機(jī)工程. 2014(06)
[4]基于LMD和SVM的柴油機(jī)氣門故障診斷[J]. 張俊紅,劉昱,畢鳳榮,林杰威,馬文朋,馬梁.  內(nèi)燃機(jī)學(xué)報. 2012(05)
[5]基于小波—奇異值分解差分譜的弱故障特征提取方法[J]. 趙學(xué)智,葉邦彥,陳統(tǒng)堅.  機(jī)械工程學(xué)報. 2012(07)
[6]基于小波包分析的氣門間隙異常故障診斷[J]. 司景萍,任慶霜,梁紅波,張寶偉.  振動與沖擊. 2011(12)
[7]基于小波包變換和奇異值分解的柴油機(jī)振動信號特征提取研究[J]. 李國賓,關(guān)德林,李廷舉.  振動與沖擊. 2011(08)
[8]基于EMD和支持向量機(jī)的柴油機(jī)故障診斷[J]. 沈志熙,黃席樾,馬笑瀟.  振動、測試與診斷. 2010(01)
[9]基于Laplace小波相關(guān)濾波法的柴油機(jī)氣門間隙故障診斷[J]. 呂艷春,徐玉秀.  車用發(fā)動機(jī). 2008(03)

博士論文
[1]復(fù)雜工況下旋轉(zhuǎn)機(jī)械故障特征提取方法研究[D]. 姚金寶.重慶大學(xué) 2017



本文編號：3484651