基于振動(dòng)分析的柴油機(jī)燃油系統(tǒng)與配氣機(jī)構(gòu)故障診斷研究.pdf

1、柴油機(jī)是一種最常見的動(dòng)力裝置，在國民經(jīng)濟(jì)和人們的日常生活中起著舉足輕重的作用，但復(fù)雜的結(jié)構(gòu)和惡劣的工作條件導(dǎo)致柴油機(jī)故障時(shí)有發(fā)生，給人們的生命和財(cái)產(chǎn)造成了很大的威脅。據(jù)統(tǒng)計(jì)，在導(dǎo)致柴油機(jī)故障的各種原因中燃油系統(tǒng)故障與配氣機(jī)構(gòu)故障所占的比例較高，分別為27％和15.1%。此外，燃油系統(tǒng)與配氣機(jī)構(gòu)直接影響著發(fā)動(dòng)機(jī)的燃燒情況，它們的工作狀況對整個(gè)發(fā)動(dòng)機(jī)能否正常高效運(yùn)轉(zhuǎn)具有重要影響。因此，本文從柴油機(jī)故障診斷的實(shí)際需求出發(fā)，選擇柴油機(jī)中故障概率

2、較高的燃油系統(tǒng)與配氣機(jī)構(gòu)作為研究對象，以分析缸蓋振動(dòng)為切入點(diǎn)，對柴油機(jī)燃油系統(tǒng)和配氣機(jī)構(gòu)的故障診斷方法開展深入研究，具體包括以下幾個(gè)方面：
　　分析了柴油機(jī)缸蓋的主要激勵(lì)源，建立了柴油機(jī)缸蓋振動(dòng)信息模型，并對柴油機(jī)缸蓋振動(dòng)的時(shí)域和頻域特性進(jìn)行了研究。在兩臺(tái)柴油機(jī)上進(jìn)行了故障實(shí)驗(yàn)，分別模擬了5種典型配氣機(jī)構(gòu)故障和12種常見的燃油系統(tǒng)與配氣機(jī)構(gòu)故障，為后續(xù)的研究工作提供了數(shù)據(jù)支撐。
　　研究了固有時(shí)間尺度分解(Intrinsic

3、 Time-scale Decomposition,ITD)方法的基本原理，提出了一種基于ITD邊際譜和馬氏距離的故障診斷方法，并利用該方法對配氣機(jī)構(gòu)故障進(jìn)行了診斷，診斷結(jié)果表明該方法可以對配氣機(jī)構(gòu)故障進(jìn)行粗略識(shí)別。
　　針對有向無環(huán)圖的誤差累積問題，提出了一種基于類別可分性的改進(jìn)有向無環(huán)圖(Separability based Directed Acyclic Graph,SDAG)，并利用該方法構(gòu)建了相關(guān)向量機(jī)(Relevan

4、ce Vector Machine,RVM)多分類模型。此外，提出了一種RVM多分類通用框架概率性糾錯(cuò)輸出編碼(Probability-based Error Correcting Output Codes,PECOC)，該框架實(shí)現(xiàn)了RVM的概率性輸出與糾錯(cuò)輸出編碼多分類方法的有機(jī)結(jié)合。
　　針對ITD方法的插值方法、終止條件等方面的不足，提出了一種改進(jìn)固有時(shí)間尺度分解(Improved Intrinsic Time-scale

5、Decomposition,IITD)方法，并將ITD方法和SDAG-RVM相結(jié)合對柴油機(jī)配氣機(jī)構(gòu)故障進(jìn)行診斷。實(shí)驗(yàn)分析結(jié)果表明該方法可以獲得較高的故障診斷精度，優(yōu)于其它常規(guī)方法。研究了IITD方法的模態(tài)混疊問題，提出了一種完備總體改進(jìn)固有時(shí)間尺度分解(Complete Ensemble Imporved Intrinsic Time-scale Decomposition,CEIITD)方法，該方法通過向原信號(hào)添加正負(fù)相反的噪聲并且每

6、產(chǎn)生一個(gè)旋轉(zhuǎn)分量進(jìn)行一次集總平均，消除了分解結(jié)果中的噪聲殘留以及由每次分解獲得的旋轉(zhuǎn)分量個(gè)數(shù)不同造成的難以進(jìn)行集總平均的問題。仿真分析結(jié)果表明CEIITD方法較好地解決了IITD方法的模態(tài)混疊問題，優(yōu)于其它常規(guī)方法。
　　針對Wigner分布的交叉項(xiàng)問題，提出了一種基于IITD方法的Wigner分布交叉項(xiàng)處理方法即自適應(yīng)Wigner分布，并利用仿真信號(hào)對該方法進(jìn)行了驗(yàn)證。仿真分析結(jié)果表明該方法不僅可以消除交叉項(xiàng)的干擾，而且可以確保

7、時(shí)頻圖具有較高的分辨率和時(shí)頻聚集性。針對原快速相關(guān)濾波(Fast Correlation-based Filter,FCBF)算法未考慮候選特征與已選特征子集間冗余的問題，提出了一種改進(jìn)FCBF算法。結(jié)合自適應(yīng)Wigner分布、改進(jìn)FCBF和PECOC-RVM提出了一種新的柴油機(jī)燃油系統(tǒng)與配氣機(jī)構(gòu)故障診斷方法，該方法將柴油機(jī)故障診斷問題轉(zhuǎn)化為時(shí)頻圖像分類問題，從而可以將在圖像分類領(lǐng)域得到大量成功應(yīng)用的不變矩、灰度統(tǒng)計(jì)特征、紋理特征和差分

8、分形盒維數(shù)等圖像特征作為故障特征，降低了特征提取的難度和工作量。實(shí)驗(yàn)分析結(jié)果表明基于自適應(yīng)Wigner分布、改進(jìn)FCBF和PECOC-RVM的柴油機(jī)燃油系統(tǒng)與配氣機(jī)構(gòu)故障診斷方法可以獲得較高的故障診斷精度，優(yōu)于其它常規(guī)方法。
　　針對同時(shí)診斷許多種故障時(shí)單一故障識(shí)別模型精度明顯下降的問題，提出了一種基于多級(jí)Adaboost-RVM的柴油機(jī)燃油系統(tǒng)和配氣機(jī)構(gòu)故障診斷方法。該方法利用KFCM算法將包含較多種故障類型的復(fù)雜分類問題分解為