本文關(guān)鍵詞：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

  更多相關(guān)文章： 特征提取 時頻分析 故障診斷 模式識別 內(nèi)燃機振動信號

【摘要】：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(jìn)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(jìn)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(jìn)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-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(jìn)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LMD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(jìn)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(jìn)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(jìn)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特征信息,包括:數(shù)據(jù)統(tǒng)計特征,相關(guān)性特征,分形特征及能量特征等。故障模式識別結(jié)果表明,第一,相關(guān)系數(shù)、關(guān)聯(lián)維數(shù)、能量特征識別率達(dá)到99.4351%,能很好的表征系統(tǒng)的非線性狀態(tài)特征,而數(shù)據(jù)統(tǒng)計特征識別率僅為87.1429%;第二,經(jīng)過降維處理后的分類器比未降維處理的分類器識別率高。
【關(guān)鍵詞】：特征提取 時頻分析 故障診斷 模式識別 內(nèi)燃機振動信號
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TK407
【目錄】：

• 中文摘要4-6
• ABSTRACT6-12
• 第一章 緒論12-24
• 1.1 選題意義12-13
• 1.2 內(nèi)燃機故障診斷方法研究現(xiàn)狀13-21
• 1.2.1 振動信號的非平穩(wěn)性14-15
• 1.2.2 傳統(tǒng)信號處理方法15
• 1.2.3 基于小波分解的信號降噪方法15-17
• 1.2.4 數(shù)學(xué)形態(tài)濾波17
• 1.2.5 局域波理論17-18
• 1.2.6 核獨立分量分析18-19
• 1.2.7 分形理論19-20
• 1.2.8 支持向量機20-21
• 1.3 論文結(jié)構(gòu)安排與主要工作21-24
• 第二章 振動信號降噪方法研究24-40
• 2.1 引言24
• 2.2 小波降噪原理24-26
• 2.2.1 離散小波變換（DWT）24-26
• 2.3 自適應(yīng)小波包降噪原理26-28
• 2.3.1 最佳小波包基的選擇27-28
• 2.4 小波閾值降噪方法28-33
• 2.4.1 傳統(tǒng)小波閾值降噪法28-30
• 2.4.2 軟硬閾值的改良折衷法30-32
• 2.4.3 自適應(yīng)小波包改進(jìn)閾值法32-33
• 2.5 多尺度形態(tài)濾波器33-38
• 2.5.1 數(shù)學(xué)形態(tài)的基本原理34
• 2.5.2 多尺度數(shù)學(xué)形態(tài)濾波器34-35
• 2.5.3 均值多尺度數(shù)學(xué)形態(tài)梯度35
• 2.5.4 仿真分析35-37
• 2.5.5 數(shù)學(xué)形態(tài)濾波在柴油機故障信號降噪中的應(yīng)用37-38
• 2.6 本章小結(jié)38-40
• 第三章 基于局域波分解-小波能量的特征提取方法40-66
• 3.1 引言40
• 3.2 經(jīng)驗?zāi)B(tài)分解40-45
• 3.2.1 EMD的端點效應(yīng)41-42
• 3.2.2 EMD的模態(tài)混疊現(xiàn)象42-43
• 3.2.3 總體經(jīng)驗?zāi)B(tài)分解43-45
• 3.3 局域均值分解的原理與算法45-55
• 3.3.1 LMD和EMD分解過程對比47-48
• 3.3.2 仿真分析48-50
• 3.3.3 端點效應(yīng)50-51
• 3.3.4 端點效應(yīng)比較51-55
• 3.4 端點效應(yīng)抑制方法研究55-57
• 3.4.1 信號序列鏡像延拓原理55
• 3.4.2 仿真分析55-57
• 3.5 基于局域波-小波能量的故障診斷方法57-65
• 3.5.1 基于小波包分解的頻帶能量分析57-58
• 3.5.2 基于EEMD-小波能量的特征提取方法58-62
• 3.5.3 基于LMD-小波能量的特征提取方法62-65
• 3.6 本章小結(jié)65-66
• 第四章 LMD-KICA單通道信號特征提取方法66-84
• 4.1 引言66
• 4.2 獨立分量分析的基本原理66-70
• 4.2.1 仿真分析67-70
• 4.3 核方法的基本原理70-73
• 4.3.1 核獨立分量分析方法70-72
• 4.3.2 仿真分析72-73
• 4.4 LMD-KICA信號特征提取方法73-83
• 4.4.1 仿真分析74-77
• 4.4.2 LMD-KICA方法在柴油機噴油量故障診斷中的應(yīng)用77-81
• 4.4.3 LMD-KICA方法在柴油機氣門間隙故障診斷中的應(yīng)用81-83
• 4.5 本章小結(jié)83-84
• 第五章 KICA-LMD-分形特征提取方法84-105
• 5.1 引言84
• 5.2 關(guān)聯(lián)維數(shù)84-92
• 5.2.1 關(guān)聯(lián)維數(shù)的G-P算法85-86
• 5.2.2 參數(shù)的選擇86-89
• 5.2.3 仿真實驗89-91
• 5.2.4 噪聲對參數(shù)選擇的影響91-92
• 5.3 KICA-LMD分解方法92-95
• 5.3.1 仿真分析92-95
• 5.4 KICA-LMD-分形方法在內(nèi)燃機故障診斷中的應(yīng)用95-101
• 5.4.1 實驗方案95-98
• 5.4.2 關(guān)聯(lián)維數(shù)參數(shù)的確定98-101
• 5.5 內(nèi)燃機噴油提前角故障診斷結(jié)果及討論101-104
• 5.5.1 柴油機噴油提前角故障診斷結(jié)果101
• 5.5.2 噪聲對關(guān)聯(lián)維數(shù)值的影響101-103
• 5.5.3 局域波分解對故障判斷的影響103-104
• 5.6 本章小結(jié)104-105
• 第六章 LMD-KICA-相關(guān)系數(shù)模式識別法105-116
• 6.1 引言105-106
• 6.2 支持向量機（SVM）106-109
• 6.3 基于LMD-KICA與相關(guān)系數(shù)的SVM模式識別方法109-110
• 6.3.1 相關(guān)性分析109-110
• 6.3.2 基于LMD-KICA相關(guān)系數(shù)的模式識別方法110
• 6.4 LMD-KICA相關(guān)系數(shù)的SVM在柴油機故障診斷中的應(yīng)用110-115
• 6.4.1 柴油機噴油量故障診斷110-113
• 6.4.2 柴油機噴油提前角故障診斷113-115
• 6.5 本章小結(jié)115-116
• 第七章 多特征提取分類方法及其在內(nèi)燃機故障診斷中的應(yīng)用116-124
• 7.1 引言116-117
• 7.2 柴油機振動信號多特征信息提取117-118
• 7.2.1 關(guān)聯(lián)維數(shù)參數(shù)的選取117-118
• 7.3 故障分類診斷結(jié)果及討論118-123
• 7.4 本章小結(jié)123-124
• 第八章 全文總結(jié)與展望124-128
• 8.1 全文總結(jié)124-126
• 8.2 論文創(chuàng)新點126-127
• 8.3 研究展望127-128
• 參考文獻(xiàn)128-142
• 發(fā)表論文和參加科研情況說明142-144
• 致謝144-145

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張立眾;孫志勇;;“逐項排除法”在故障診斷中的應(yīng)用[J];礦山機械;1990年09期

2 賈民平;機械故障診斷學(xué)的理論及其應(yīng)用 第一講 故障診斷的意義及研究發(fā)展概況[J];江蘇機械制造與自動化;1999年01期

3 楊曉磊;;淺談我國鐵路機車故障診斷[J];科技風(fēng);2014年06期

4 田少民;工程機械的狀態(tài)監(jiān)測與故障診斷技術(shù)[J];工程機械;2001年01期

5 王敏,王萬俊,熊春山,黃心漢;基于多傳感器數(shù)據(jù)融合的故障診斷技術(shù)[J];華中科技大學(xué)學(xué)報;2001年02期

6 潘松海;介紹一種故障診斷方法[J];組合機床與自動化加工技術(shù);2001年06期

7 李德躍;發(fā)動機突然熄火的故障診斷[J];城市車輛;2001年02期

8 王小虎;機械式風(fēng)速表檢定中的故障診斷及維修方法[J];中國計量;2002年03期

9 王清照,肖衛(wèi)杰,王加璇;運用熱經(jīng)濟學(xué)結(jié)構(gòu)理論進(jìn)行故障診斷的探討[J];中國電機工程學(xué)報;2003年09期

10 陳東林;煙草設(shè)備的故障診斷技術(shù)應(yīng)用與展望[J];中國設(shè)備工程;2003年06期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 楊其校;劉昭度;齊志權(quán);馬岳峰;;汽車ABS電機故障診斷[A];第三屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2005年

2 黎清海;高慶;;基于系統(tǒng)分層的故障診斷方法[A];第三屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2005年

3 聞競競;黃道;;故障診斷方法綜述[A];計算機技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

4 李t，

本文編號：660813