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

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

2、較高的燃油系統(tǒng)與配氣機構(gòu)作為研究對象，以分析缸蓋振動為切入點，對柴油機燃油系統(tǒng)和配氣機構(gòu)的故障診斷方法開展深入研究，具體包括以下幾個方面：
　　分析了柴油機缸蓋的主要激勵源，建立了柴油機缸蓋振動信息模型，并對柴油機缸蓋振動的時域和頻域特性進行了研究。在兩臺柴油機上進行了故障實驗，分別模擬了5種典型配氣機構(gòu)故障和12種常見的燃油系統(tǒng)與配氣機構(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構(gòu)故障進行了診斷，診斷結(jié)果表明該方法可以對配氣機構(gòu)故障進行粗略識別。
　　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(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輸出編碼(Probability-based Error Correcting Output Codes,PECOC)，該框架實現(xiàn)了RVM的概率性輸出與糾錯輸出編碼多分類方法的有機結(jié)合。
　　針對ITD方法的插值方法、終止條件等方面的不足，提出了一種改進固有時間尺度分解(Improved Intrinsic Time-scale

5、Decomposition,IITD)方法，并將ITD方法和SDAG-RVM相結(jié)合對柴油機配氣機構(gòu)故障進行診斷。實驗分析結(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固有時間尺度分解(Complete Ensemble Imporved Intrinsic Time-scale Decomposition,CEIITD)方法，該方法通過向原信號添加正負相反的噪聲并且每

6、產(chǎn)生一個旋轉(zhuǎn)分量進行一次集總平均，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)分量個數(shù)不同造成的難以進行集總平均的問題。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分布的交叉項問題，提出了一種基于IITD方法的Wigner分布交叉項處理方法即自適應Wigner分布，并利用仿真信號對該方法進行了驗證。仿真分析結(jié)果表明該方法不僅可以消除交叉項的干擾，而且可以確保

7、時頻圖具有較高的分辨率和時頻聚集性。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FCBF算法。結(jié)合自適應Wigner分布、改進FCBF和PECOC-RVM提出了一種新的柴油機燃油系統(tǒng)與配氣機構(gòu)故障診斷方法，該方法將柴油機故障診斷問題轉(zhuǎn)化為時頻圖像分類問題，從而可以將在圖像分類領(lǐng)域得到大量成功應用的不變矩、灰度統(tǒng)計特征、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。實驗分析結(jié)果表明基于自適應Wigner分布、改進FCBF和PECOC-RVM的柴油機燃油系統(tǒng)與配氣機構(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。
　　針對同時診斷許多種故障時單一故障識別模型精度明顯下降的問題，提出了一種基于多級Adaboost-RVM的柴油機燃油系統(tǒng)和配氣機構(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雜分類問題分解為