非平稳信号特征提取方法研究及其在内燃机故障诊断中的应用

摘要

内燃机健康状态评估与不解体故障诊断是内燃机及以其为动力源的机械系统以最小的维护与维修成本安全运行的重要保障措施。内燃机表面振动信号中包含了丰富的状态信息，但由于内燃机结构复杂、运行工况多变的工作特点，导致其表面振动信号表现为繁杂的非平稳、非线性时变信号，很难直接作为内燃机健康状态评估与故障诊断的依据。因此，对内燃机表面振动信号进行深度加工并提取能表征其运行状态的关键特征就成为内燃机不解体故障诊断方法研究中的关键问题。
　　论文研究了非平稳、非线性振动信号特征提取方法及模式识别理论。通过对内燃机振动信号的分析再处理，提取能表征内燃机运行状态的关键特征信息，对比提取的特征信息并利用模式识别器进行分类，实现内燃机工作状态和故障类型的判定。
　　论文在研究小波阈值降噪理论的基础上，提出了一种基于自适应小波包改进阈值的降噪方法。仿真结果表明，该方法在信噪比及均方根误差方面均优于传统小波阈值降噪法。
　　通过研究局域波分解与小波包分解频带能量理论，提出EEMD-小波能量与LMD-小波能量信号特征提取方法，并利用两种方法对柴油机喷油提前角故障进行诊断，结果表明：LMD-小波能量方法在故障诊断中更优。
　　同时，针对盲源分离过程中无法实现单通道信号输入以及经验模态分解（EMD）和基于线性假设的独立分量分析（ICA）在分析非线性信号方面的不足，提出基于局域均值分解（LMD）与核独立分量分析（KICA）协同的信号源特征提取方法（LMD-KICA），并且在柴油机故障诊断中得到应用。
　　以LMD与KICA协同的信号特征提取方法为基础，论文提出基于KICA-LMD分形理论的信号特征提取方法（KICA-LMD-CD）。首先利用自适应小波包改进阈值方法和数学形态滤波方法对柴油机故障信号进行降噪预处理，然后经过KICA-LMD分解后计算分量（PFs）分形关联维数值，通过分析关联维数值大小及其变化趋势判断柴油机喷油提前角状态。同时探讨了噪声及局域波分解对柴油机振动信号关联维数计算的影响。结果表明：噪声对关联维数值计算影响较大，降噪是计算关联维数的前提；KICA-LMD分解后分量PFs的关联维数值可以作为柴油机工作状态的判断依据。
　　将支持向量机作为柴油机气门间隙故障诊断的分类识别器。提出了一种基于KICA-LMD相关系数的信号特征提取方法，用于提取某六缸柴油机振动信号分解分量PFs的相关系数，并作为支持向量机的特征量对柴油机故障进行分类。
　　综合上述方法提出了一种多特征提取分类识别的信号特征提取方法。对某六缸柴油机气门间隙七种状态的缸盖振动信号提取特征信息，包括：数据统计特征，相关性特征，分形特征及能量特征等。故障模式识别结果表明，第一，相关系数、关联维数、能量特征识别率达到99.4351％，能很好的表征系统的非线性状态特征，而数据统计特征识别率仅为87.1429%；第二，经过降维处理后的分类器比未降维处理的分类器识别率高。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 选题意义

1.2 内燃机故障诊断方法研究现状

1.3 论文结构安排与主要工作

第二章 振动信号降噪方法研究

2.1 引言

2.2 小波降噪原理

2.3 自适应小波包降噪原理

2.4 小波阈值降噪方法

2.5 多尺度形态滤波器

2.6 本章小结

第三章 基于局域波分解-小波能量的特征提取方法

3.1 引言

3.2 经验模态分解

3.3 局域均值分解的原理与算法

3.4 端点效应抑制方法研究

3.5 基于局域波-小波能量的故障诊断方法

3.6 本章小结

第四章 LMD-KICA单通道信号特征提取方法

4.1 引言

4.2 独立分量分析的基本原理

4.3 核方法的基本原理

4.4 LMD-KICA信号特征提取方法

4.5 本章小结

第五章 KICA-LMD-分形特征提取方法

5.1 引言

5.2 关联维数

5.3 KICA-LMD分解方法

5.4 KICA-LMD-分形方法在内燃机故障诊断中的应用

5.5 内燃机喷油提前角故障诊断结果及讨论

5.6 本章小结

第六章 LMD-KICA-相关系数模式识别法

6.1 引言

6.2 支持向量机（SVM）

6.3 基于LMD-KICA与相关系数的SVM模式识别方法

6.4 LMD-KICA相关系数的SVM在柴油机故障诊断中的应用

6.5 本章小结

第七章 多特征提取分类方法及其在内燃机故障诊断中的应用

7.1 引言

7.2 柴油机振动信号多特征信息提取

7.3 故障分类诊断结果及讨论

7.4 本章小结

第八章 全文总结与展望

8.1 全文总结

8.2 论文创新点

8.3 研究展望

参考文献

发表论文和参加科研情况说明

致谢