基于VMD和SVD的柴油机气门间隙异常特征提取研究

发布时间：2021-11-09 04:45

　　为有效地从柴油机缸盖表面振动信号中提取气门间隙故障特征,提出一种基于变分模态分解（VMD）和奇异值分解（SVD）的特征提取新方法。采用VMD算法对缸盖振动信号进行分解,利用所得的模态分量构建特征矩阵;接着应用SVD理论将特征矩阵转变为表征频率特性的奇异值序列,探讨了稳定工况下的奇异值序列与不同气门间隙状态之间的关系;由于转速、负荷等工况的改变对信号特征层的影响与故障所引起的信号特征的改变可能非常相似,因此将奇异值序列作为特征参数,输入到随机森林分类器中,构建分类模型,对柴油机变工况下的气门间隙故障进行诊断。实验结果表明:该方法能有效识别气门间隙故障,突出故障敏感特征;与传统基于Hankel矩阵和小波包系数矩阵的SVD特征提取方法相比,该方法所提特征参数在柴油机变工况条件下具有更高的识别率。 

【文章来源】：振动与冲击. 2020,39(16)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

IMF分量中心频率

不同状态下的三维奇异值特征散点图

将柴油机A、B、C、D、E、F 6种工况下的每种气门间隙正常和故障状态的振动数据分别采集70组,每组数据采集时间为0.08 s,即长度为4 096点。随机选取不同工况下各气门间隙状态的一组特征向量曲线,如图7所示。从图7可知,各状态下的特征向量在柴油机变工况时具有稳定性和一致性。即工况A与工况B、工况C与工况D、工况E与工况F的特征向量曲线比较接近,说明对于负荷的改变,特征向量具有良好的稳定性;处于工况C和工况D时,还有工况E与工况F时,由于转速不断升高的缘故,特征向量曲线整体逐步上移(即曲线幅值增大而形状基本一致),说明对于转速的改变,特征向量具有一致性。3.4 基于随机森林的变工况气门间隙故障识别研究

【参考文献】：
期刊论文
[1]内燃机变分模态Rihaczek谱纹理特征识别诊断[J]. 岳应娟,王旭,蔡艳平.  仪器仪表学报. 2017(10)
[2]RBF-SVM的核参数选择方法及其在故障诊断中的应用[J]. 周绍磊,廖剑,史贤俊.  电子测量与仪器学报. 2014(03)
[3]基于LMD边际谱的柴油机气门故障诊断[J]. 刘昱,张俊红,毕凤荣,林杰威,李维伟,鲁鑫.  内燃机工程. 2014(06)
[4]基于LMD和SVM的柴油机气门故障诊断[J]. 张俊红,刘昱,毕凤荣,林杰威,马文朋,马梁.  内燃机学报. 2012(05)
[5]基于小波—奇异值分解差分谱的弱故障特征提取方法[J]. 赵学智,叶邦彦,陈统坚.  机械工程学报. 2012(07)
[6]基于小波包分析的气门间隙异常故障诊断[J]. 司景萍,任庆霜,梁红波,张宝伟.  振动与冲击. 2011(12)
[7]基于小波包变换和奇异值分解的柴油机振动信号特征提取研究[J]. 李国宾,关德林,李廷举.  振动与冲击. 2011(08)
[8]基于EMD和支持向量机的柴油机故障诊断[J]. 沈志熙,黄席樾,马笑潇.  振动、测试与诊断. 2010(01)
[9]基于Laplace小波相关滤波法的柴油机气门间隙故障诊断[J]. 吕艳春,徐玉秀.  车用发动机. 2008(03)

博士论文
[1]复杂工况下旋转机械故障特征提取方法研究[D]. 姚金宝.重庆大学 2017



本文编号：3484651