基于优化VMD与欧氏距离的柴油机故障识别

发布时间：2021-08-23 16:15

　　为实现利用单一通道信号通过同一方法区分多种发动机故障的目的,笔者对现有算法进行了优化以提取振动信号中的故障特征。首先,针对变分模式分解（variational mode decomposition,简称VMD）的分解层数选择困难问题,文中以几种不同类型故障的频率特征为基础,优化了其中心频率迭代初始值,在保证准确性的前提下提高了算法的计算效率与简便性;然后,利用鲁棒性独立分量分析（Robust independent component analysis,简称Robust ICA）对VMD处理结果再次分解,分析发动机中可能存在的不同振源的同频率信号,并将两个阶段分解结果重构信号的四阶累积量作为故障判定指标。结果表明:以模糊C均值聚类（fuzzy C-means clustering,简称FCM）确定的聚类中心为参考点,利用各个工况点与喷油故障聚类中心的欧氏距离区分故障类型,取得了较高的正确率。 

【文章来源】：振动.测试与诊断. 2020,40(05)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

气门间隙偏小工况信号分解结果

基于表1，文中将K值设为6，对应的中心频率迭代初始值为对各个分量中心频率均值取平均，其中喷油故障的IMF7分量将与IMF6共同计算。结果为：0.82,2.11,3.93,5.75,7.70,10.49kHz。基于这一结论重新对上述信号进行分解，其中心频率如图2～5所示。图3 气门间隙偏大

气门间隙偏大

【参考文献】：
期刊论文
[1]基于奇异值和奇异向量的振动信号降噪方法[J]. 张晓涛,李伟光.  振动.测试与诊断. 2018(03)
[2]变分模态分解在转子故障诊断中的应用[J]. 向玲,张力佳.  振动.测试与诊断. 2017(04)
[3]基于模糊粗糙集和SVM的航空发动机故障诊断[J]. 曹愈远,张建,李艳军,张丽娜.  振动.测试与诊断. 2017(01)



本文编号：3358190