基于双层改进无迹卡尔曼的曲轴信号修正算法

对发动机曲轴信号的精确识别是控制发动机喷油时刻及相位识别的重要方法,在发动机实际工作状态中,曲轴干扰信号会降低发动机相位识别及喷油时刻的准确性.提出了针对发动机曲轴信号的双层改进无迹卡尔曼滤波DLIUKF(Double Layer Improve Unscented Kalman Filter)修正算法,低层利用采样策略逼近非线性分布的方法对曲轴转角和曲轴齿下降沿脉宽进行预测,后通过高层无迹卡尔曼滤波算法对曲轴平均转速进行最优化估计,该方法用于对发动机曲轴原始信号的干扰信号去除及提高曲轴齿计数值的准确性.结果表明,在仿真实验中,双层改进无迹卡尔曼滤波(DLIUKF)修正算法相较原始信号故障率下降17.8％,抗干扰信号能力较强,与EKF(Extended Kalman Filtering)拓展卡尔曼滤波相比逻辑判断时间下降了1.31 s.通过台架实验证明双层改进无迹卡尔曼滤波(DLIUKF)修正算法能有效消除发动机曲轴干扰信号,其优越的抗干扰能力,提高了发动机运行稳定性.     

麻雀算法参数优化VMD联合K-SVD的滚动轴承故障诊断

针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD) 参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k 和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel 矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。     

域适应网络与平衡动态分布自适应的轴承变工况故障迁移诊断研究

机械设备在工业现场下的工况复杂多变，导致故障样本分布不均，给传统机器学习带来巨大的困扰。针对上述问题，提出了一种基于域适应神经网络与平衡动态分布自适应的轴承故障迁移诊断方法。首先，利用小波变换改进卷积神经网络的卷积层，并自适应提取轴承样本特征。其次，利用最大均值差异度量和权重正则化在损失函数处理所生成的特征，改善样本分布差异，获取域适应神经网络模型。最后，利用A-distance距离改进平衡分布自适应，使其具备动态特性，进一步改善样本分布差异，通过KNN分类器实现轴承迁移诊断。经过实验验证，所提方法在同试验台和跨试验台案例验证中，能够较为精确地迁移出轴承故障状态，证明该方法可有效解决无标签样本在变工况条件下样本分布不均的问题，具备有效性与鲁棒性。     

柴油机ECU硬件在环灰盒测试用例开发研究

在柴油机电子控制单元(Electronic Control Unit,ECU)开发过程中,为更好地利用硬件在环(Hard-ware-in-the-Loop,HIL)测试对ECU进行全面深入测试,快速准确地跟踪控制模块的故障,分析了柴油机ECU HIL灰盒测试原理,提出了一种基于灰盒测试原理的柴油机ECU HIL测试用例开发方法.以柴油机ECU控制模块中起动喷油量计算模块为对象进行了方法运用,在实例开发过程中对各开发步骤进行了详细说明与例证,并对开发的灰盒测试用例进行了实验验证.结果 表明,灰盒测试用例能对该模块内关键功能点、参数及外部关键输入输出信号进行测试,实现对该模块的HIL测试.此例验证了基于灰盒测试原理的柴油机ECU HIL用例开发方法的适用性,为V开发模式中保证柴油机ECU质量提供了新的思路与方法.