内燃机KVMD MHD振动谱图表征和TD 2DPCA编码诊断方法研究.docVIP

内燃机KVMD MHD振动谱图表征和TD 2DPCA编码诊断方法研究 　　摘要： 为了直接对内燃机振动谱图像进行诊断识别，提出一种基于改进变分模态分解（VMD）、MargenauHill（MHD）时频分析与双向二维主成分分析（Twodirectional， Twodimensional PCA，TD2DPCA）的内燃机振动谱图像识别诊断方法。该方法首先针对VMD分解过程中的层数选取问题，提出了一种中心频率筛选的VMD分解层数改进方法（KVMD），然后将内燃机振动信号利用KVMD分解成一组单分量模态信号，并对生成的各个单分量信号进行MHD处理后表征成振动谱图像；在此基础上，对生成的内燃机KVMDMHD振动谱图像采用双向二维主成分分析形成编码矩阵，并采用最近邻分类器（KNNC）对上述编码矩阵直接进行模式识别，以实现内燃机振动谱图像的自动诊断。最后，将该方法应用在气阀机构4种工况下的缸盖表面振动信号诊断实例中，结果表明：该方法不仅改进了传统图像模式识别中的特征参数提取方法，而且能很好地消除时频分布中的交叉干扰项，使各时频分量物理意义明确，能有效诊断出内燃机气阀机构故障，为内燃机振动诊断探索了一条新途径。关键词： 故障诊断； 内燃机； 时频分布； 特征提取； 双向二维主成分分析 　　中图分类号： TH165+.3； TK428文献标志码：A文章编号2017 　　DOI：10.16385/ki.issn2017.04.021 　　引言 　　内燃机缸盖振动信号中包含着丰富的信息，由于其测量的简单方便，分析诊断的不解体和实时性，目前一直是内燃机故障诊断和状态监测的研究前沿和热点。国内外学者针对内燃机的振动响应信号进行了深入的研究，如文献[1]将图像分割理论引入柴油机故障诊断中，提出一种基于时频谱图、图像分割和模糊模式识别的柴油机故障诊断方法；文献[2]提出一种基于局部均值分解边际谱和马氏距离的故障诊断方法；文献[3]将极坐标应用于柴油机燃烧状态的监测，有效地提取了柴油机燃烧特征；文献[4]将高阶累积量与图像纹理特征提取方法相结合，有效提取了柴油机振动信号的故障特征。 　　根据内燃机的构造和工作机理，气阀与气阀座会发生周期性的冲击作用，若气阀机构有故障， 其故障信息必然会在缸盖振动信号中反映出来[56]。然而内燃机特征信号相互重叠和混淆、特征频率难以确定，还没有形成一个“针对不同故障，采用何种时频分析方法，如何提取特征参数”的共识。究其原因是内燃机振动响应信号十分复杂，既有旋转运动，又有往复运动，且运动部件多，耦合比较严重，具有较强的非线性、非平稳时变等特征[7]。 　　为有效解决内燃机振动响应信号强耦合、弱故障特征信息提取难题，提出了一种基于改进VMD（KVMD）的MHD时频振动谱图生成，TD2DPCA图像特征参数提取的内燃机故障诊断新方法。KVMDMHD时频分析法有效抑制了MHD分布中的交叉干扰项，并保留了其优良的时频聚集特性，能够准确刻画出内燃机振动信号的时频信息，使各时频分量具有实际物理意义。对生成的KVMDMHD振动谱图，直接采用TD2DPCA提取特征参数的方法，避免了在利用图像分析技术进行特征参数提取时，不同图像特征指标的选择或只是提取图像的单一特征量作为特征参数造成的重要的时频信息遗漏，可对不同的图像自适应地计算图像的特征参数，数据降维效果明显。 　　最后使用文中方法对内燃机气门间隙的4种工况信号进行了分析和特征参数提取，结合最近邻分类器（KNNC）进行故障诊断分类，并与基于MHD时频分析的二维非负矩阵分解（2DNMF）和双向二维线性判别分析方法（TD2DLDA）特征提取算法进行了对比。 　　1基于改进变分模态分解的MHD时频分布〖*2〗1.1改进的变分模态分解（KVMD）变分模态分解（Variational Mode Decomposition，VMD）是2014年由Dragomiretskiy等提出的一种新的自适应信号处理方法[8]。?π藕沤?行VMD分解时首先预设分解层数K，信号经过VMD被分解成K个本征模态分量（IMF），每个IMF都可以表示为一个调幅调频uk（t）信号。因此K值选取的恰当与否，直接决定了分解结果的好坏。K值选取过小，对信号的分解不彻底；K值选取过大，会出现过分解现象。经研究发现每个IMF都存在着一个中心频率ωk（t），K值与ωk（t）有着密切的关系，因此本文对通过中心频率对分解层数K进行了优化。 　　第4期岳应娟，等： 内燃机KVMDMHD振动谱图表征与TD2DPCA编码诊断方法研究振 动 工 程 学 报第30卷KVMD算法的主要步骤为： 　　Step1初始化K值（K≥2，由于内燃机频带较宽，取K=3）。 　　Step2