基于角域信号特征统计量的发动机故障分类方法.docxVIP

基于角域信号特征统计量的发动机故障分类方法 0 振动信号与故障诊断 发动机是一种典型的双向发动机，具有结构复杂、激励源多、运营不稳定等特点。当时，该区域的振动信号也具有强噪声和不稳定的特点。因此, 发动机故障诊断一直是故障诊断领域研究的难点。2003年, Geng等提出了发动机振动信号模型, 并利用小波包分解方法提取了发动气门间隙的故障特征;Carlucci等利用传统的傅里叶变换方法和短时傅里叶变换方法分析了发动机气缸压力与缸体表面振动信号的关系;Wu等利用连续小波变换和离散小波变换对发动机多种故障进行了诊断;Jiang等提出了双负荷法, 以噪声信号为研究对象, 对发动机排气系统故障进行了诊断;夏勇等采用多重分形方法诊断了柴油机气门漏气故障;孔凡让等模拟了EQ6100发动机的连杆轴承故障, 并通过时域和频域分析方法对该故障进行了诊断;针对柴油机活塞销振动信号的高阶循环平稳特性, 夏天等提出了高阶循环平稳理论, 并利用循环双谱对活塞销磨损故障进行了诊断。近年来, 针对发动机故障的智能诊断与分类方法也取得了较大的进展。Vong等建立了以小波变换与K-均值聚类算法为基础的专家故障诊断系统对发动机点火系统故障进行了诊断;Feng等运用双谱法和遗传神经算法对发动机多种故障进行了分类;Wang等利用WVD (Wigner-Ville distributions) 与神经网络对发动机气门间隙故障进行了诊断;Liu等采用粗糙集理论和BP (back propagation) 神经网络对柴油机单缸失火故障进行了诊断;Lin等采用支持向量机法对连杆轴承故障进行了分类。 为提高发动机故障分类的准确率和故障诊断的成功率, 本文提出了基于角域信号特征统计量的发动机故障分类方法。 1 发动机振动信号的处理 时域信号是以时间t作为参量的, 而发动机在运行过程中, 曲轴转速通常会产生波动, 故发动机振动信号在时域范围内通常为非平稳信号, 时间域的信号处理方法会导致“频率涂抹”现象。为解决这个问题, 通常采用等角度采样方法, 如图1所示。 2 角域信号特征统计量的新参数 2.1 子阶次编码合成 角域信号的特征阶次通过角域信号的小波包分解获得。设角域信号为sn, n=1, 2, …, N, 采用小波包分解成x层, 则共有2x个子阶次段, 且每个子阶次段包含2J-x个数据点, 其中J=lbN, x=1, 2, …, J, 如图2所示。 通过角域信号的小波包分解, 每一个子阶次段都对应着父阶次段的某个阶次成分。而子阶次段信号与父阶次段信号的相关系数反映了两者的相关程度, 可作为衡量在角域信号小波包分解过程中, 子阶次段信号获取父阶次段信号信息量的标准。由此, 定义子阶次段信号与父阶次段信号的相关系数为 由式 (1) 可知, 相关系数ρx, z反映了子阶次段信号与父阶次段信号的相关程度, 且0≤ρx, z≤1。ρx, z越小, 子父阶次段信号相关程度越小;ρx, z越大, 子父阶次段信号相关程度越大, 即子阶次段信号继承父阶次段信号的信息量越大。根据以上分析, 定义max (ρx, z) 对应的子阶次段为发动机等角度采样信号的特征阶次, 即该阶次段获取发动机角域信号的信息量最大。 2.2 特征阶次信号定义 发动机角域信号小波包分解后, 低阶次信号与高阶次信号均获取到原始信号的有用信息。因此, 本文定义特征阶次信号分别包含一组低阶次信号和一组高阶次信号。设特征阶次中低阶次信号为sl(θ) = (x1, x2, …, xn) , 高阶次信号为sh(θ) = (y1, y2, …, yn) 。 2.2.1 信号能量的比值 特征阶次的能量比是指角域信号小波包分解后, 特征阶次信号的能量与原始信号能量的比值。 特征阶次中低阶次信号能量El与高阶次信号能量Eh分别为 特征阶次中低阶次信号能量比与高阶次信号能量比分别为 式中, Em为原始信号的能量。 则特征阶次的能量比向量可定义为 2.2.2 准差dh与高阶次信号标准差比的比对 特征阶次中低阶次信号标准差Dl与高阶次信号标准差Dh分别为 特征阶次中低阶次信号标准差比与高阶次信号标准差比分别为 式中, Dm为原始信号的标准差。 则特征阶次的标准差比向量可定义为 2.2.3 特征阶次信号类化合成词在ue200s-oh的关系 设特征阶次信号的傅里叶变换对分别为sl(θ) ue300S (Ol) 与sh(θ) ue300S (Oh) , Ol、Oh分别为特征阶次信号的低阶次成分与高阶次成分。 特征阶次信号的阶比谱能量为 式中, Fm为原始信号的阶比谱能量;Mm为原始信号的阶比谱均值。 则特征阶次信号的阶比谱能量比向量与阶比谱均值比向量可分别定义为 3 多故障分类器的构建 根据以上分析, 本文提出了基于角域信号特征统计量的发动机故障分类新