柴油机智能状态跟踪及故障诊断系统的开发

开发了一种新型的机车柴油机智能状态检测跟踪及故障诊断系统,并应用数理统计和模糊诊断方法相结合对柴油机进行故障诊断。通过对历史数据的积累和分析实现对机车柴油机的运行质量进行监控及趋势预测。     

基于神经网络的内燃机故障诊断

提出了一种新的柴油机故障诊断方法，利用柴油机润滑油的参数监测搜集润滑油的相关数据，用BP神经网络进行故障诊断。实验研究和计算机模拟的结果表明，这一方法是可行的。     

基于PCA-PNN算法的柴油故障诊断研究

为了实现柴油机智能化故障诊断，提出一种基于PCA-PNN算法的柴油机故障诊断方法。该方法兼具主成分分析（principal component analysis， PCA）法降低数据维数和概率神经网络（probabilistic neural network， PNN）法计算速度快、容错率低、稳定性好的特点。利用AVL BOOST软件建立柴油机仿真模型，并进行有效性验证，采集包含12个柴油机故障特征参数的195组样本数据集。故障诊断试验表明：PCA-PNN柴油机故障诊断算法简洁、易于推理，诊断准确率为94.87%、运行时间为0.673 s，准确率更高、诊断速度更快，为探索柴油机智能化故障诊断提供新的技术路径。     

电控柴油机在线实时故障诊断方法研究

在线实时故障诊断具有直接实时准确等优点但电控柴油机的特点使得传统故障诊断方法已不能满足在线实时故障诊断的要求本文在分析各种故障诊断方法的基础上得出神经网络是电控柴油机在线实时故障诊断的一条新的途径并阐述了神经网络进行故障诊断的机会     

基于LMD边际谱的柴油机气门故障诊断

针对柴油机气门间隙故障诊断问题,在WP7柴油机上模拟了多种气门间隙故障,测取了正常及故障条件下的缸盖振动信号。考虑柴油机缸盖振动信号具有非平稳的特点,提出一种基于局部均值分解边际谱和马氏距离的故障诊断方法。该方法在LMD边际谱的基础上定义了频率中心,并以此作为柴油机气门间隙的故障特征,利用马氏距离判断柴油机气门的工作状态。试验结果表明:该方法可以有效地提取柴油机气门间隙故障特征,实现柴油机气门机构故障诊断。     

基于燃烧过程分析及模糊诊断技术的柴油机故障诊断方法研究

利用先进的内燃机燃烧学和热力学模型，建立了基于模糊诊断技术的柴油机故障诊断方法，应用数理统计方法确定了柴油机工作过程参数隶属度函数，构造了模糊故障诊断矩阵，并应用计算机技术实现了对柴油机常见故障的模糊诊断，在柴油机故障诊断应用中取得了良好的效果。     

基于故障树分析的柴油机不能启动的诊断方法

利用故障树分析方法对柴油机不能正常启动的影响因素进行分析,找出了导致柴油机不能启动的关键原因,结合故障现象,根据柴油机的结构和原理,给出柴油机不能启动的故障诊断方法,为柴油机的故障诊断提供了依据。     

基于图像与神经网络的柴油机气门故障诊断方法研究

综合信号处理及模式识别理论,根据柴油机振动信号的特点,提出了一种柴油机气门故障诊断综合方法,详细阐述了将提取图像特征的神经网络法用于柴油机气门故障诊断的原理、过程以及故障分类。试验结果表明,该方法值得进一步研究。     

基于关联规则分类的船用柴油机故障诊断

鉴于数据驱动的故障诊断方法诊断过程和结果难以解释,提出了一种基于关联规则分类(CBA)的船用柴油机故障诊断和故障作用机理解释方法．通过GT-Power柴油机故障仿真试验建立了柴油机故障数据库,采用关联规则分类算法构建了故障分类器,并基于可视化方法提取了重要规则,解析故障作用机理和模型的诊断过程．结果表明：基于关联规则分类的柴油机故障诊断方法对测试集的故障识别率高达98.67%,提取的规则较好地吻合相关热力学知识,可用于故障作用机理与诊断的进一步研究．     

基于变分模态分解和交叉小波变换的柴油机失火故障诊断

针对强噪声干扰下柴油机失火故障难以诊断的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与交叉小波变换(cross wavelet transform,XWT)的柴油机失火故障诊断方法。该方法首先通过VMD将缸盖振动信号进行分解、自适应消噪及信号重构,再利用XWT对任意两个连续工作循环信号进行时频相关分析,进一步消除振动信号中的干扰噪声以提取柴油机燃烧特征,最后通过计算时频空间各缸能量占比进行柴油机失火故障诊断。通过对仿真信号分析及柴油机失火故障诊断,结果表明:该方法可以消除强噪声干扰,提取柴油机燃烧周期瞬态振动冲击特征,有效地识别柴油机失火故障。     

基于小波分析的柴油机故障信号特征的提取

本文提出了一种新的柴油机表面振动信号的故障特征的提取方法，利用柴油机表面振动信号经过小波降噪处理，有效地剔除柴油机表面振动信号的噪声干扰，提高信号的信噪比。用小波包提取降噪后振动信号的能量特征参数。以表征柴油机故障特征，建立起能量到柴油机故障的映射关系。实际研究表明这一特征提取方法是有效的。     

基于阶比跟踪与VMD的瞬变工况发动机故障特征提取

针对发动机加速过程振动信号的非平稳性和存在强背景噪声的特点,提出阶比跟踪与变分模态分解(VMD)相结合的方法。对于柴油机曲轴轴承故障和汽油机连杆轴承模拟试验振动信号,利用阶比跟踪技术将时域上的非平稳信号转化为角域上的伪平稳信号,利用VMD对重采样信号进行分解,选择包含故障信息的模态分量,计算其阶比、转速、功率谱所构成的三维阶比谱阵,提取故障特征。仿真分析和故障模拟试验验证了该方法的有效性。     

基于时频谱图与图像分割的柴油机故障诊断

将图像分割理论引入柴油机故障诊断中,提出一种基于时频谱图、图像分割和模糊模式识别的柴油机故障诊断新方法.首先利用二进小波对柴油机缸盖振动信号进行预处理,然后用时频谱图对柴油机气门机构4种状态下的缸盖表面振动信号进行时频分析,并将谱图结果根据图像分割理论对其等高图进行分割,最后通过选取分割后图像的特征体质心位置、特征体面积、数目和熵作为特征参数,并利用模糊C均值聚类对图像进行分类识别.试验结果表明,新方法提取的振动信号图像几何特征与形状特征参数能充分反映柴油机气门工作状态的信息,对不同类型的气门故障均能正确诊断.     

基于变分模态分解和去趋势波动分析的柴油机振动信号去噪方法

为了解决柴油机工作时其振动信号的背景噪声对状态监测及故障诊断造成干扰这一问题,提出一种基于变分模态分解(VMD)和去趋势波动分析(DFA)的柴油机振动信号去噪方法。该方法首先利用变分模态分解将振动信号分解为若干分量,再利用去趋势波动分析分别计算各个分量的尺度指数,根据尺度指数的值选取具有长程相关性的分量进行信号的重构,以消除振动信号中噪声。将该方法应用于仿真信号和柴油机故障振动信号中,取得了良好的消噪效果。     

基于粗糙集和神经网络的柴油机故障诊断

介绍了粗糙集理论的核心内容和ROSETTA软件的特点,给出了基于粗糙集理论的柴油机缸盖振动信号的故障诊断系统。以某型号大功率柴油机为例,首先将提取的缸盖振动信号经过小波包消噪和时域、频域分析,构造出用于故障诊断的特征值,然后应用ROSETTA软件约简特征属性,最后通过神经网络进行故障模式分类。通过对比ROSETTA软件处理前后神经网络的输出结果,表明粗糙集理论能优化特征属性,有效地减少神经网络的输入节点数,提高故障分类的准确率。     

基于曲轴扭振信息识别的柴油机失火气缸判别方法

为解决柴油发动机在高转速、低负荷工况下难以准确判断出发生失火故障的气缸的问题,提出了通过检测曲轴转速信号中的扭振信号起始点来判定失火气缸的故障诊断方法。该方法首先通过分析单缸失火时的转速信号以确定曲轴扭振的自由频率,然后基于该频率构造正弦检测信号,将该检测信号与各缸做功转角范围内的转速信号做内积运算,并得到的内积值作为失火气缸的指示特征。在6缸柴油机上的失火试验证明该方法能够在高转速低负荷情况下准确识别发动机的单缸失火和两缸失火,弥补了传统失火诊断方法工况覆盖率低的不足。     

局域波自回归谱及其在柴油机故障诊断中的应用研究

论述了信号局域波分解理论和方法，并结合时间序列分析，提出了适合于柴油机表面振动非平稳时变信号分析的新方法——局域波自回归谱(LW-AR)法。在柴油机的故障诊断中，该方法能够表达出非平稳信号的模糊频带和瞬时频率双重信息，为解决柴油机故障诊断的一些难题提出了新的思路，并通过诊断实例给予了验证。     

基于局域波-粗糙集-神经网络的故障诊断方法研究

提出了一种基于局域波-粗糙集-神经网络的智能故障诊断方法。首先通过局域波法进行故障特征提取,获取能够反映设备运行状态的由局部能量组成的特征向量;接着应用粗糙集理论对样本特征参数进行属性约简,去除冗余信息,获取最优的决策系统;最后根据最优决策系统来构造RBF神经网络,并进行故障诊断。以柴油机缸套活塞磨损故障为例,详细说明了基于粗糙集-局域波-神经网络的故障诊断方法的原理和步骤。诊断结果证明了此方法的有效性。     

EMD方法在内燃机故障诊断中的应用

针对内燃机瞬时转速信号的非平稳性特点,将EMD方法用于瞬时转速信号的时频分析,将其自适应分解为几个基本模式分量和剩余值序列;对各个基本模式分量进行Hilbert变换得到Hilbert谱,从而得到瞬时频率和振幅随时间的变化规律,并进一步得到了EMD边界谱。实验测量6-135型柴油机正常和故障状态下瞬时转速信号,对其进行EMD分析表明：瞬时转速EMD边界谱可以指示有无故障发生,而瞬时频率和分解剩余值序列可以指示故障缸位置,二者结合可以较好地实现内燃机的故障诊断,为基于瞬时转速的内燃机故障诊断提供了一条新的思路。