论文部分内容阅读
作为一种常用的动力源，柴油机被广泛应用于各个领域中。为保证柴油机及以其为动力源的机械系统正常运行，基于振动信号的准确、高效的不解体故障诊断与状态评估方法成为当前研究的热点。然而由于柴油机结构复杂，在故障发生早期及微弱故障状态下，弱功率特征极易被强烈的背景噪声掩盖。因此充分挖掘振动信号信息，从中提取并筛选特征，利用高效、准确的分类器识别柴油机状态，具有重要的研究意义。论文选择柴油机频发的喷油机构及供油量异常、气门及其阀座故障为对象，研究了振动信号时频分析、特征提取及筛选、信息融合与模式识别等现代故障诊断与状态识别方案的重要环节的方法，取得的主要成果包括：
(1)对变分模式分解(VMD)的关键参数进行研究，实现对振动信号的自适应分解。针对VMD分解层数K需主观选择导致准确度无法保证的问题，提出两种基于不同核心思想的优化方法。第一种方法对信号进行多次分解，并利用相关系数与能量比对其筛选，从而获得最佳分解结果。第二种方法利用功率谱的尺度空间表示分析信号频率成分，从而获得VMD所需参数。经对比，前者适用于频谱复杂信号的少量分解任务，后者适用于频谱有多个明显峰值信号的大量分解任务。针对二次罚项?无公认选择标准，选择方根幅值评价不同?值下的分解结果，得到?=6400的最佳参数，结果显示可以更好地滤除噪声。论文通过对VMD算法的全面优化，实现了准确地分解振动信号并提取特征分量，为后续状态识别奠定了基础。
(2)结合优化的VMD方法与核模糊C-均值聚类算法(KFCM)，提出一种单通道振动信号的状态识别方法。研究了基于相关性检验、卡方检验及ReliefF算法的多评价准则融合特征选择方法。首先计算VMD分解结果高相关分量的特征，再分别利用三种方法对其综合评估，以得到最佳特征子集。最终利用自适应核模糊C-均值聚类算法(AKFCM)进行模式识别。针对KFCM方法核函数及其参数无公认选取标准的问题，综合对比五种核函数的效果，并且提出一种随着样本点与聚类中心的欧氏距离自适应变化的核参数选择方法。经验证，对于喷油、轨压异常以及气门间隙故障，优化的VMD-AKFCM方法诊断正确率分别为97.4%、95.1%和94.2%，结果表明该优化方法能够实现利用单一通道振动信号识别部分发动机状态，且具有效率较高、结构简单的特点。
(3)结合遗传算法(GA)与最大期望算法(EM)，提出一种多通道振动信号特征融合的状态识别方法。采用基于相关性评价的特征子集选择方法(CFS)作为适应度函数，利用GA实现对特征子集的全局搜索，以获得有利于状态识别的最佳特征子集。以优化的特征子集为聚类依据，将EM作为分类器，并利用交叉验证方法(CV)对其优化，实现了自适应选择聚类簇数，同时提高了其准确率和泛化性。基于上述识别框架，论文对气门间隙故障、轨压异常、喷油量异常、喷油提前角异常与两类多种混合故障类型进行了识别，准确率分别为：99.4%，99.0%，98.3%，88.0%，99.0%，93.4%。结果显示该方法能够利用多通道振动信号识别发动机状态，且具有识别率高、识别状态类型较多的特点。
(4)通过对瞬时转速识别与信息融合方法的研究，提出一种瞬时转速与振动信号融合的状态识别方法。对基于ADC原理的瞬时转速测试方法进行改进。基于傅里叶拟合模型和K-means算法，提出了在转速周期性波动情况下瞬时转速异常点识别方案和瞬时角位移值矫正方法。实验证明了该方法的可靠性与精确度，能够为柴油机瞬时转速的现场测量提供解决方案。论文对气门间隙故障、轨压异常、喷油量异常、喷油提前角异常状态下的瞬时间转速与振动信号时域特征融合并进行状态识别，正确率分别为98.5%、99.2%、98.3%、92.0%。结果显示该方法可以利用瞬时转速与振动融合的信号识别发动机状态，对于异常燃烧状态具有较高的敏感度和识别率。
综上所述，论文以振动信号为主，对柴油机状态识别方法提出了基于单通道振动信号、多通道振动信号特征融合、转速与振动信号融合的三种策略，对VMD、KFCM、GA、EM等算法及瞬时转速采集方法进行了研究，建立了一套适用柴油机典型异常状态的检测评价体系。在各类故障与异常状态的检测中，证明论文提出的方法准确高效，对发动机健康状态评估的理论研究与工程应用具有一定的指导意义。
(1)对变分模式分解(VMD)的关键参数进行研究，实现对振动信号的自适应分解。针对VMD分解层数K需主观选择导致准确度无法保证的问题，提出两种基于不同核心思想的优化方法。第一种方法对信号进行多次分解，并利用相关系数与能量比对其筛选，从而获得最佳分解结果。第二种方法利用功率谱的尺度空间表示分析信号频率成分，从而获得VMD所需参数。经对比，前者适用于频谱复杂信号的少量分解任务，后者适用于频谱有多个明显峰值信号的大量分解任务。针对二次罚项?无公认选择标准，选择方根幅值评价不同?值下的分解结果，得到?=6400的最佳参数，结果显示可以更好地滤除噪声。论文通过对VMD算法的全面优化，实现了准确地分解振动信号并提取特征分量，为后续状态识别奠定了基础。
(2)结合优化的VMD方法与核模糊C-均值聚类算法(KFCM)，提出一种单通道振动信号的状态识别方法。研究了基于相关性检验、卡方检验及ReliefF算法的多评价准则融合特征选择方法。首先计算VMD分解结果高相关分量的特征，再分别利用三种方法对其综合评估，以得到最佳特征子集。最终利用自适应核模糊C-均值聚类算法(AKFCM)进行模式识别。针对KFCM方法核函数及其参数无公认选取标准的问题，综合对比五种核函数的效果，并且提出一种随着样本点与聚类中心的欧氏距离自适应变化的核参数选择方法。经验证，对于喷油、轨压异常以及气门间隙故障，优化的VMD-AKFCM方法诊断正确率分别为97.4%、95.1%和94.2%，结果表明该优化方法能够实现利用单一通道振动信号识别部分发动机状态，且具有效率较高、结构简单的特点。
(3)结合遗传算法(GA)与最大期望算法(EM)，提出一种多通道振动信号特征融合的状态识别方法。采用基于相关性评价的特征子集选择方法(CFS)作为适应度函数，利用GA实现对特征子集的全局搜索，以获得有利于状态识别的最佳特征子集。以优化的特征子集为聚类依据，将EM作为分类器，并利用交叉验证方法(CV)对其优化，实现了自适应选择聚类簇数，同时提高了其准确率和泛化性。基于上述识别框架，论文对气门间隙故障、轨压异常、喷油量异常、喷油提前角异常与两类多种混合故障类型进行了识别，准确率分别为：99.4%，99.0%，98.3%，88.0%，99.0%，93.4%。结果显示该方法能够利用多通道振动信号识别发动机状态，且具有识别率高、识别状态类型较多的特点。
(4)通过对瞬时转速识别与信息融合方法的研究，提出一种瞬时转速与振动信号融合的状态识别方法。对基于ADC原理的瞬时转速测试方法进行改进。基于傅里叶拟合模型和K-means算法，提出了在转速周期性波动情况下瞬时转速异常点识别方案和瞬时角位移值矫正方法。实验证明了该方法的可靠性与精确度，能够为柴油机瞬时转速的现场测量提供解决方案。论文对气门间隙故障、轨压异常、喷油量异常、喷油提前角异常状态下的瞬时间转速与振动信号时域特征融合并进行状态识别，正确率分别为98.5%、99.2%、98.3%、92.0%。结果显示该方法可以利用瞬时转速与振动融合的信号识别发动机状态，对于异常燃烧状态具有较高的敏感度和识别率。
综上所述，论文以振动信号为主，对柴油机状态识别方法提出了基于单通道振动信号、多通道振动信号特征融合、转速与振动信号融合的三种策略，对VMD、KFCM、GA、EM等算法及瞬时转速采集方法进行了研究，建立了一套适用柴油机典型异常状态的检测评价体系。在各类故障与异常状态的检测中，证明论文提出的方法准确高效，对发动机健康状态评估的理论研究与工程应用具有一定的指导意义。