基于小波和模糊C-均值聚类算法的汽油机爆震诊断研究

提出了一种小波变换和模糊C-均值聚类相结合的汽油机爆震诊断方法,并对某汽油机进行了爆震试验,利用小波变换方法从汽油机振动信号中提取了轻微爆震特征。以振动信号小波变换后的特征子带信号为样本信号,以特征子带信号的4个时域参数作为燃烧模式特征值,利用模糊C-均值聚类方法对燃烧模式进行分类,用贴近度方法进行爆震诊断。结果表明:小波结合模糊C-均值聚类方法能够利用振动信号有效地分类燃烧模式,并能诊断出轻微爆震。     

基于非线性小波变换的汽油机爆震强度识别

为提高利用振动信号检测汽油机爆震强度的精度,提出了一种基于非线性小波变换的爆震强度识别方法.首先,采用非线性小波变换对振动信号进行分解,提取出爆震特征.然后,在包含爆震特征的小波细节分量上计算一组能够表征爆震强度的时域统计特征参数.最后,将这些统计特征参数输入到人工智能分类器进行爆震强度识别.对某汽油机进行了爆震台架试验,并对提出的方法进行了验证.结果表明:非线性小波变换可以清晰地从缸盖振动信号中检测出微弱的爆震冲击特征;同时,采用支持向量机能够获得更优的爆震强度识别精度和泛化性能.     

汽油机爆震边缘检测的研究

汽油机爆震的难点是爆震边缘点检测,爆震边缘点是汽油机点火闭环控制的前提。研究了利用振动信号检测汽油机爆震边缘的方法。研究表明,利用离散小波变换能够有效地从振动信号中检测出爆震边缘特征,而且利用一只振动传感器即可以有效地检测出多缸汽油机各缸的爆震边缘。     

基于DWT的汽油机爆震特征提取及爆震强度的判定

研究了利用离散小波变换提取爆震特征的方法。利用离散小波变换不但能够有效地从汽油机缸内压力信号中提取爆震特征，而且能够有效地从缸盖上的结构振动信号中提取爆震特征。在此基础上，提出了一种基于离散小波变换的爆震强度表征方法，即利用信号经离散小波变换后在特征域上的频谱值大于参考信号在相应域上频谱值的数量作为爆震强度指标。应用和分析结果表明，对于压力信号和振动信号，这种方法均能有效地表征其爆震强度。     

基于时频分析的汽油机爆震特征的提取

分析了短时傅立叶变换(STFT)、维格纳—瑞利分布(WVD)及小波变换(WT)等时频分析方法各自的特点。研究了利用三种方法分别从汽油机缸内压力信号和缸盖上的振动信号中提取爆震特征的可行性和有效性。提出了相应的提取爆震特征的方法。分析和应用结果表明，STFT和WVD直接提取爆震特征效果差，但能够有效地从滤波后的信号中提取爆震特征。离散小波变换(DWT)具有明显的优势，能够直接从压力信号和振动信号中有效地提取爆震特征。     

基于时频熵的放电脉冲取特征提取算法

传统的放电脉冲取特征提取方法采用的是线性时间序列分析方法,提取放电脉冲的关联维特征进行分类识别,由于放电脉冲具有非线性特性,线性时间序列分析方法无法提取非线性特征,导致模式识别性能不好。提出基于时频熵的放电脉冲取特征提取算法,对108次/s的超宽带局部放电脉冲时间序列波形进行时频熵特征参数提出,采用混沌差分进化算法对模糊C均值聚类算法进行改进,用改进的模糊C均值聚类算法,在高维的特征参数空间中,进行超宽带局部放电脉冲的时频熵特征参数的聚类分析,实现对放电脉冲的特征分类检测和识别。仿真实验结果表明,采用该算法能有限实现对放电脉冲取特征提取,特征聚类的准确度提高,提高了脉冲检测识别性能。     

基于振动的汽油机爆震始点识别与强度评价研究

研究了利用振动信号进行汽油机爆震检测和强度评价的方法。通过滤波对机体振动信号进行降噪处理,利用功率谱密度估计确定了爆震特征频率。将集总经验模态分解(ensemble empirical mode decomposition,EEMD)应用到机体振动信号处理中,结合连续小波变换(continues wavelet transform,CWT)对EEMD分解得到的各本征模态函数(intrinsic mode function,IMF)分量进行时频分析,确定包含爆震特征频率成分的IMF分量,研究了利用振动信号判别爆震始点的方法,并结合缸压信号对结果进行了验证。在确定了准确的爆震窗口后,提出了爆震强度评价参数K。试验用汽油机的计算结果表明:当K值超过20,可以判断有轻微爆震的发生;当K值超过80,则代表爆震强度较强,发生明显爆震。     

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.     

CEEMD在汽油机爆震特征诊断中的应用

为改善经验模态分解(EMD)的模态混叠问题与集合经验模态分解(EEMD)的白噪声不能被完全中和的问题,提出选择利用补充集合经验模态分解(CEEMD)进行爆震诊断的方法;利用CEEMD算法对实际爆震信号进行分解,并与滤波方法与小波变换方法计算结果进行对比,结果表明:CEEMD相对EEMD算法的白噪声残余更少,其重构信号更加准确,特征分量中的丢失的信息成分更少,对于爆震强度的判定将更加准确,CEEMD分解结果爆震峰值更加明显,可以准确识别出发动机多个气缸的爆震特征。提出一种基于样本熵的爆震特征参数,对爆震窗口选择依赖性小,计算验证结果显示与传统的Siemens VDO算法结果有较好的一致性。     

活塞头部形貌对汽油机爆震敏感性影响研究

基于台架试验和完整工作循环数值模拟,开展了汽油机活塞头部形貌特征对爆震的敏感性研究。以台架试验数据为基准校正了汽油机性能仿真模型,通过开展压缩比为9～16区间的外特性仿真模拟,得出压缩比为12时外特性最优。在压缩比为12的3 500r/min全负荷工况,采用化学反应动力学离子分析法,通过数值模拟分析3类基于活塞头部形貌方案的燃烧室,得出具有点火驻涡区域、气门避障区域、驻涡与避障区域之间的连通区域、后部连通区域的SABCD方案抗爆性最优,并指出活塞头部形貌特征中的连通区域对爆震敏感性具有显著影响。通过对方案SABCD的连通区域关键参数进行优化得出,当区域连通宽度和连通台阶高度均为4mm时爆震敏感性最低。研究结果表明,通过对活塞头部形貌特征的合理设计,能实现提升汽油机压缩比的同时有效抑制燃烧室对爆震的敏感性。     

基于连续小波变换系数的柴油机异响故障特征提取与诊断

用Morlet小波对EQ6BT柴油机活塞敲缸响、活塞销响的缸体振动信号进行连续小波变换,然后将所得到的小波变换系数作出尺度—能量谱以及三维能量谱图,从而实现了对柴油机异响故障的特征提取和诊断。结果表明：利用Morlet连续小波变换系数的尺度—能量谱和三维能量谱图,能够直观而有效地检测和区分EQ6BT柴油机活塞敲缸响、活塞销响两种故障及其故障的严重程度。     

基于小波神经网络的旋转机械故障诊断

研究了小波变换与人工神经网络结合起来应用于旋转机械故障诊断的问题。通过选择合适的参数，对故障信号功率谱进行小波分解，简化了故障特征向量的提取。建立了基于小波变换和BP网络的混合诊断模型，成功地实现了对故障的智能诊断。     

人工神经网络在混合智能故障诊断技术中的应用研究

故障诊断的关键是寻找一种使诊断结果更为有效的方法。人工神经网络作为一种新兴的故障诊断方法，越来越受到人们的关注。然而，对于复杂的系统，单一的传统神经网络很难给出理想的结果。本文重点对神经网络与其它诊断方式融合的混合智能技术，即神经网络与专家系统、模糊控制、小波分析和遗传算法的结合以及集成神经网络等在故障诊断中的应用进行了综述。这些方法已应用到实践中，并取得了一定的成果。     

基于小波包神经网络的整流电路晶闸管故障识别

在电力能效监控管理系统中,提出了基于小波包的特征提取和BP(back propagation)神经网络相结合的方法,对三相整流电路中故障晶闸管位置进行诊断和识别.根据整流电路原理,对22种故障情况分别进行编码.建立三相整流电路故障模型,采用小波包分解的方法,对直流端输出电压的采样数据进行特征提取,构建特征向量,作为BP神经网络的训练样本,将对应故障的编码作为网络输出,用简化的训练好的神经网络即可以实现整流电路的故障位置识别.仿真结果证明,采用小波包特征提取,作为神经网络训练样本,既可以简化神经网络训练结构,又可以准确实现故障定位识别.研究具有很大的工程实践意义.     

基于小波包分析提取汽油机爆震特征

研究了小波包变换提取爆震特征的方法,利用加速度传感器信号进行处理分析.由参数化功率谱密度估计,确定由爆震引起的共振频率,截取爆震能量集中区间较短的数据段,建立AR模型,然后利用Burg算法估计爆震的特征频率范围,确定小波包变换的分解级数,保留与爆震特征频率相对应的小波包变换子空间信息,合理取舍其它子带系数,使重构后的信号能有效地表征爆震特征.实测信号分析表明,在轻微爆震检测方面,该方法优于传统的滤波方法和基础小波分析方法.     

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。     

基于小波理论变换和神经网络的柴油机故障诊断方法的研究

提出一种基于小波理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波分析,提取相应特征向量,然后将振动样本的特征向量作为RBF神经网络的输入参数,以故障类别作为输出参数训练该网络。训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况。试验及仿真证明该方法在柴油机振动诊断中是有效可行的,对其它复杂机械的振动诊断同样具有参考价值。     

谐小波模糊神经网络应用于旋转机械的故障诊断

根据旋转机械复杂的故障特点，提出了结合谐小波分析、模糊理论和神经网络形成的谐小波模糊神经网络方法，并将其应用于旋转机械的故障诊断，实现了模糊故障诊断。通过计算机实现了全部算法。仿真和试验的结果表明：谐小波模糊神经网络在处理多故障耦合的情况时优势明显，故障诊断正确率高，证明该方法行之有效，为旋转机械的故障诊断提供了理论支持和新方法。图2表3参7