基于双谱的汽油机爆震特征提取与强度评价

将双谱分析应用于爆震振动信号分析,提出了爆震特征频率提取和强度判定的方法。首先,用功率谱密度估计的方法分析发动机3个方向的振动信号,确定爆震特征频率范围;然后,利用双谱分析不同爆震强度下的振动信号并提取双谱主对角线切片,分析不同状况下的信号频率间的相位耦合关系,确定爆震特征频率;最后,提出了爆震强度评价参数。试验结果表明,相比功率谱密度估计,双谱峰值频率更能凸显爆震特征频率,爆震强度评价参数能有效判定爆震强度。     

基于变模式分解的爆震特征识别方法

基于经验模态分解(empirical mode decomposition,简称EMD)算法因递归分解模式所造成的固有缺陷,将使用变分原理进行分解的变模式分解(variational mode decomposition,简称VMD)算法引入到爆震识别领域,发现VMD算法对比EMD算法有较高的计算效率与准确性,而且表现出了较好的鲁棒性,更加适合于在混有强烈背景噪声的缸盖振动信号中提取爆震特征。在此基础上,针对VMD算法分解层数需要手动选择的缺点,利用各阶分量的中心频率之差,提出了一种可以自适应选择VMD分解层数的方法。这种方法的思路为利用VMD算法对信号从一个较小的层数开始进行分解,逐个增加分解层数,直至各阶分量中心频率差值满足预先设定的阈值为止,即可得到最佳分解结果。经实验数据验证与对比,结果显示了这种方法的优越性。     

基于内禀模态特征能量法煤油机爆震特征提取

为解决电控二冲程煤油发动机爆震特征提取的问题,根据内禀模态函数(intrinsic mode function,IMF)正交的特点,提出了基于内禀模态函数特征能量法的爆震特征提取方法.该方法对电控二冲程煤油发动机缸内压力信号进行经验模态分解(empirical mode decemposition,EMD),得到若干IMF分量,利用内禀模态函数能量法获取信号能量占主导地位的IMF分量,作为爆震信号的主导模式分析对象,对该IMF分量进行功率谱密度分析,得到了电控二冲程煤油发动机的爆震特征频率.通过仿真计算以及爆震信号分析,结果表明内禀模态函数特征能量法在电控二冲程煤油发动机爆震特征频率提取过程中实用有效.     

基于深度学习理论的发动机气门机构故障识别

为了正确诊断和识别发动机气门机构故障,提出一种基于经验模态分解和堆栈式稀疏自编码器深度学习模型的发动机气门机构故障识别算法。以发动机缸盖振动信号为信号源,对振动信号做经验模态分解,提取各个本征模态分量的时域和频域特征构成故障特征向量集,作为故障识别的样本变量。通过稀疏自编码非监督学习网络对输入向量进行特征学习,并将单层网络堆栈成深度网络,最后采用少量有标签数据对整个深度学习模型进行微调训练,建立气门机构故障识别模型。试验结果表明,EMD-SSAE混合深度学习模型能够有效的识别气门机构的故障状态,并且比EMD-SVM和EMD-BPNN模型获得更高的识别准确率。     

基于局部均值分解的光纤周界安防系统振动信号识别

在光纤周界安防系统中,为有效识别各种光纤振动信号,提出了一种基于局部均值分解的两级光纤振动信号模式识别方法。首先,提取光纤信号的时域特征,计算信号的短时能量和短时过零率判断是否有振动发生;其次,对于已判定的光纤振动信号,采用局部均值分解方法将振动信号分解为若干个乘积函数分量,提取分量信号的能量分布特征;最后,将第一级提取的时域特征与局部均值分解提取的特征相结合,构成特征向量输入支持向量机进行分类识别,判断振动信号类型。实验结果表明,该方法可以有效识别光纤振动信号的类型,提高了识别率。     

基于多尺度线调频基稀疏信号分解的时变系统模态参数识别

在多尺度线调频基稀疏信号分解的基础上,提出一种时变系统的模态参数识别方法。该方法先采用多尺度线调频基稀疏信号分解方法对多自由度线性时变振动系统响应信号进行分解,将其分解成多个单模态振动响应信号并得到单模态振动响应信号的瞬时频率;再根据单模态振动响应信号的包络和瞬时频率识别系统的模态频率与模态阻尼比。多自由度线性时变振动系统模态参数的识别算例表明,与经验模态分解等时频分析方法比较,该方法能有效克服系统振动响应信号分解时的模态混淆问题,识别精度高,抗噪性能好,是一种有较大工程应用前景的多自由度线性时变振动系统模态参数识别方法。     

基于稀疏分解理论的航空发动机轴承故障诊断

航空发动机轴承在高温、高压、高转速等恶劣条件下运行,机动工况较多,因而故障模式复杂,背景噪声强烈,难以及时有效地诊断。针对上述问题,提出基于稀疏分解的逐级匹配形态分析(Stagewise matching morphological component analysis,SMMCA)方法。稀疏分解是一种在超完备字典上对信号进行分解,并通过优化重构算法求解信号最稀疏表达的信号处理方法。逐级匹配形态分析基于稀疏分解理论,根据信号组成成分的差异,分别构造相应成分的稀疏字典,然后通过交替投影理论和逐级正交匹配追踪算法(Stagewise orthogonal matching pursuit,St OMP)对各组成成分进行优化重构,从而实现各成分的降噪和分离,准确快速地捕获信号中的特征信息。将提出的基于稀疏分解的逐级匹配形态分析方法应用于航空发动机轴承故障诊断,仿真和试验对比分析验证了该算法的有效性。     

基于集合经验模式分解的汽油机爆震特征提取

爆震特征提取是汽油机点火闭环控制的前提和基础。基于集合经验模式分解(Ensemble empirical mode decomposition,EEMD),提出一种汽油机爆震特征提取方法。EEMD通过对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,有效地抑制经验模式分解(Empirical mode decomposition,EMD)的模式混叠问题。研究了利用EEMD和EMD两种方法分别从汽油机缸内压力信号和缸盖振动信号中提取爆震特征的可行性和有效性。试验结果表明,对于缸内压力信号,EEMD和EMD均能提取出爆震特征;对于缸盖振动信号,EEMD可以提取出爆震特征,而EMD则由于模式混叠的影响,无法提取爆震特征。     

一种航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承振动信号故障微弱,故障特征难提取的问题,提出了基于固有时间尺度分解(ITD)和近似熵(AE)结合随机森林(RF)的航空发动机中介轴承故障诊断方法。首先,利用航空发动机中介轴承试验台模拟并采集轴承在正常、外圈故障、滚动体故障三种状态下的振动信号;然后通过ITD方法将非平稳、非线性的中介轴承振动信号分解成一组固有旋转分量(PR),计算其近似熵;最后,将不同尺度的近似熵值作为特征向量,输入到随机森林分类器模型中进行分类识别与故障诊断。研究表明,该方法能有效提取出机匣表面振动信号中微弱的中介轴承振动故障信号特征,故障诊断准确率高,具有工程实用性。     

基于多尺度线调频基稀疏信号分解的齿轮故障信号阶比分析

针对变转速齿轮箱故障振动信号调制边频带难以识别的问题,提出一种基于多尺度线调频基稀疏信号分解的阶比分析方法.该方法先采用基于多尺度线调频基的稀疏信号分解方法对齿轮箱振动信号进行分解,提取齿轮的啮合分量与调制边频分量,由啮合分量的时频分布曲线得到瞬时转频估计,再基于获得的瞬时转频对啮合分量与调制边频分量之和进行等角度重采样,将非平稳的分量信号转化为平稳信号,对重采样后的信号进行阶比分析,诊断齿轮故障.与传统的直接对齿轮箱故障振动信号进行阶比分析的方法比较,结果表明,提出的基于多尺度线调频基稀疏信号分解的阶比分析方法抗噪性强,调制边频带识别效果好.仿真算例与应用实例验证了本方法的有效性.