基于VMD与KFCM的柴油机故障诊断算法

发布时间：2024-03-25 01:02

　　针对柴油机的故障诊断问题,提出了一种基于变分模态分解(variational mode decomposition,简称VMD)与核模糊C均值聚类算法(kernel fuzzy C-means clustering,简称KFCM)联合的故障诊断方法。首先,针对VMD算法中分解层数K的选择问题进行了自适应优化;然后,从优化VMD算法的分解结果中选取3个关键分量计算最大奇异值,并将其作为3维的特征向量输入KFCM算法中进行分类识别;最后,对仿真信号以及某型柴油机的模拟故障实验信号使用优化VMD、传统VMD和经验模态分解(empirical mode decomposition,简称EMD)方法分别进行分解与识别。结果表明,笔者提出的方法明显改善了模态混叠现象,提高了模式识别的诊断正确率,提出的联合算法具有更好的应用前景。

【文章页数】：7 页

【部分图文】：

图1仿真信号组成

为了验证所提出的优化方法的有效性，使用优化VMD算法与EMD算法同时对模拟信号进行分解对比。模拟信号如图1所示（信号的幅值单位为g=9.8m/s2），由3组高中低不同频率段的正弦信号（图1(a～c））以及1组冲击信号组成（图1(d）），并且加上一定程度的随机噪声。从图1(f）可以....

图2自适应VMD分解结果

从表1可以看出，分解层数为6,7,8时，分解结果已经稳定，EIMF为4，故选择最佳K值为6层。VMD分解结果见图2，结果表明该算法准确地分离出了4个有效IMF分量，对被噪声信号覆盖的冲击信号也有较好的分离效果（见图2(c））。EMD算法将其分为5层IMF加上一层残差分量，如图3所....

图4VMD-KFCM故障诊断模型

3）将3维的奇异值数据作为特征向量输入到KFCM算法之中进行分类，得到分类结果。4实验故障信号分析

图6VMD分解结果的EIMFs展示

首先以气门间隙故障为例，实验模拟了气门间隙减小（进气门间隙为0.25mm，排气门间隙为0.45mm），正常（进气门间隙为0.3mm，排气门间隙为0.5mm）和气门间隙增大（进气门间隙为0.35mm，排气门间隙为0.55mm)3种情况，各个状态样本取75组，一共225组数据进....

本文编号：3938294