论文部分内容阅读
柴油机作为一种重要的动力机械,其状态性能好坏将直接影响工作任务的顺利进行。故障诊断技术是机械设备安全稳定运行的重要保证,研究柴油机故障诊断领域中的新方法、新技术有着十分重要的意义。基于声信号分析的机械故障诊断方法具有非接触、不解体、高效、便捷等优点,非常适合诊断恶劣环境下的机械设备,已经得到广泛应用。本文以柴油机为研究对象,以故障诊断为目标,采取基于声信号的分析方法,主要研究了柴油机声信号的信号去噪技术、特征提取技术和模式识别技术。通过构建6135D型柴油机声信号采集实验平台,获取不同故障类型的信号样本,分别设计相应的诊断方法,并对所提方法逐一进行实验验证。论文的主要工作包括以下几个方面:1.针对柴油机声信号非平稳、非线性的特点,设计了一种改进小波阈值与经验模态分解相结合的去噪方法。该方法利用小波阈值去噪和经验模态分解去噪各自的优点,通过相关系数法找到信号主导和噪声主导本征模函数分量的分界点,对高频噪声主导的本征模函数采用改进小波阈值函数进行去噪处理,再进行信号重构,从而得到去噪后的信号。仿真信号和实测信号的实验结果表明所提方法具有更好的去噪性能。2.将变分模态分解引入到故障诊断中,研究了一种变分模态分解与拉普拉斯分值相结合的柴油机典型故障诊断方法。首先对声信号进行变分模态分解,从分解得到的各个模态函数中提取特征参数,然后利用改进的拉普拉斯分值算法进行特征排序,最后使用支持向量机进行故障诊断,并确定最优维数。实验表明该方法能有效识别柴油机典型故障,具有更高的诊断精度。3.为解决柴油机故障诊断中复合故障难以识别的问题,设计了一种变分模态分解、优化邻域粗糙集和社团层次聚类相结合的故障诊断方法。考虑到冗余特征的影响,使用优化邻域粗糙集进行特征筛选,达到属性简约的目的。利用复杂网络中的社团结构建立故障诊断网络,通过设计社团区分准则函数找出社团结构,同时实现了故障诊断分类。所提方法的有效性及优越性在实验结果中得到充分证实。