針對(duì)柴油機(jī)的故障診斷問(wèn)題,提出了一種基于變分模態(tài)分解(variational mode decomposition,簡(jiǎn)稱VMD)與核模糊C均值聚類算法(kernel fuzzy C-means clustering,簡(jiǎn)稱KFCM)聯(lián)合的故障診斷方法。首先,針對(duì)VMD算法中分解層數(shù)K的選擇問(wèn)題進(jìn)行了自適應(yīng)優(yōu)化;然后,從優(yōu)化VMD算法的分解結(jié)果中選取3個(gè)關(guān)鍵分量計(jì)算最大奇異值,并將其作為3維的特征向量輸入KFCM算法中進(jìn)行分類識(shí)別;最后,對(duì)仿真信號(hào)以及某型柴油機(jī)的模擬故障實(shí)驗(yàn)信號(hào)使用優(yōu)化VMD、傳統(tǒng)VMD和經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,簡(jiǎn)稱EMD)方法分別進(jìn)行分解與識(shí)別。結(jié)果表明,筆者提出的方法明顯改善了模態(tài)混疊現(xiàn)象,提高了模式識(shí)別的診斷正確率,提出的聯(lián)合算法具有更好的應(yīng)用前景。

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1仿真信號(hào)組成

為了驗(yàn)證所提出的優(yōu)化方法的有效性，使用優(yōu)化VMD算法與EMD算法同時(shí)對(duì)模擬信號(hào)進(jìn)行分解對(duì)比。模擬信號(hào)如圖1所示（信號(hào)的幅值單位為g=9.8m/s2），由3組高中低不同頻率段的正弦信號(hào)（圖1(a～c））以及1組沖擊信號(hào)組成（圖1(d）），并且加上一定程度的隨機(jī)噪聲。從圖1(f）可以....

圖2自適應(yīng)VMD分解結(jié)果

從表1可以看出，分解層數(shù)為6,7,8時(shí)，分解結(jié)果已經(jīng)穩(wěn)定，EIMF為4，故選擇最佳K值為6層。VMD分解結(jié)果見(jiàn)圖2，結(jié)果表明該算法準(zhǔn)確地分離出了4個(gè)有效IMF分量，對(duì)被噪聲信號(hào)覆蓋的沖擊信號(hào)也有較好的分離效果（見(jiàn)圖2(c））。EMD算法將其分為5層IMF加上一層殘差分量，如圖3所....

圖4VMD-KFCM故障診斷模型

3）將3維的奇異值數(shù)據(jù)作為特征向量輸入到KFCM算法之中進(jìn)行分類，得到分類結(jié)果。4實(shí)驗(yàn)故障信號(hào)分析

圖6VMD分解結(jié)果的EIMFs展示

首先以氣門間隙故障為例，實(shí)驗(yàn)?zāi)M了氣門間隙減小（進(jìn)氣門間隙為0.25mm，排氣門間隙為0.45mm），正常（進(jìn)氣門間隙為0.3mm，排氣門間隙為0.5mm）和氣門間隙增大（進(jìn)氣門間隙為0.35mm，排氣門間隙為0.55mm)3種情況，各個(gè)狀態(tài)樣本取75組，一共225組數(shù)據(jù)進(jìn)....

本文編號(hào)：3938294