- · 《内燃机与配件》栏目设[05/29]
- · 《内燃机与配件》数据库[05/29]
- · 《内燃机与配件》收稿方[05/29]
- · 《内燃机与配件》投稿方[05/29]
- · 《内燃机与配件》征稿要[05/29]
- · 《内燃机与配件》刊物宗[05/29]
基于内燃机振动信号的可视化识别诊断
作者:网站采编关键词:
摘要:内燃机振动信号是典型的多分量、非平稳信号,如何有效分析处理、从内燃机振动信号中提取特征信息是内燃机故障诊断的关键[1]。作为分析非平稳信号的有力工具,时频分析方法是将
内燃机振动信号是典型的多分量、非平稳信号,如何有效分析处理、从内燃机振动信号中提取特征信息是内燃机故障诊断的关键[1]。作为分析非平稳信号的有力工具,时频分析方法是将一维的时域振动信号,通过内积变换,映射到二维的时频域联合分布图像上,能够清晰表征信号频率随时间的变化情况。时频图包含了信号的大量信息,通过提取图像特征进行内燃机的故障识别诊断,国内外专家和学者开展了深入的研究。如文献[2]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与图像分割的故障诊断方法;文献[3]利用Wigner时频分布与分形维数诊断柴油机常见故障;文献[4]提出内燃机MHD(Margenau-Hill Distribution)振动谱图与编码特征提取的诊断方法研究,取得较好的诊断结果;文献[5]将高阶累积量应用到柴油机振动信号的分析中,结合图像的纹理特征提取方法,进行了柴油机的故障诊断研究。
上述方法主要从信号的分析处理、图像特征提取和模式识别3个方面对内燃机进行故障识别诊断,其中,如何有效地分析振动信号和提取图像特征是故障诊断的关键。针对传统方法在分析内燃机振动信号中时频分辨率低及存在交叉干扰项的问题,提出基于EWT-SST(Empirical Wavelet Transform-Synchro-Squeeging Wavelet Transform)的信号时频分析方法,首先利用EWT对信号具有较强的自适应分解能力,将内燃机多分量振动信号分解成一组单分量调幅-调频信号,结合SST在信号时频分析中的优势,再对分解的信号进行SST,最后通过将结果线性叠加得到原始信号的时频图像。该方法不仅消除交叉干扰项的影响,而且提高了时频分辨率,对信号时频特征具有较好的描述。
在图像特征提取方面,本文引入LBP(Local Birary Pattern)和TD-2DPCA(Two Directional-two Dimensional Principal Component Analysis)算法。LBP算法能够提取图像的局部纹理特征,不同于基于像素点的特征提取,LBP算法提取的纹理特征是一种区域统计特征,其在模式识别中具有较大优势。但是LBP算法在编码过程中,忽略编码区域中心点像素值的作用,而通常中心点比领域点提供更多的信息,因此本文改进LBP算法:邻域点与中心点像素值比较,中心点与邻域平均像素值比较,并分配中心点最大权重。在此基础上,通过TD-2DPCA对LBP图谱进行降维,得到最终模式识别的特征向量。该方法不仅消除冗余特征提高分类识别速率,而且同时提取了图像的局部和全局特征。
通过对车载BF4L1011F型柴油机气门间隙故障8种工况下实测信号的识别诊断试验,采用SVM(Support Vectro Machine)和NNC(Nearest Neightor Classifier)分别进行分类识别,结果表明,所提方法在分类精度和识别速率上,较传统单一特征提取算法相比,均具有优越性。
1基于EWT的SST时频分析
1.1经验小波变换(EWT)
EWT是Gilles[6]提出的一种新的自适应信号分解技术,该算法结合经验模态分解的自适应性和小波分析的理论框架,通过对信号Fourier谱的分割,在分割区间构造具有紧支撑的小波函数,形成合适的小波滤波器组以提取信号不同频率成分的本征模态函数。
经验小波变换的实质是通过对信号频谱的自适应分割,把信号f(t)分解成N个本征模态函数fk(t)之和的形式
假设信号f(t)的Fourier变换为f(ω),ω∈[0,π], 将Fourier谱[0,π]分割成N个连续的部分,用ωn(ω0=0,ωN=π)表示各片段之间的边界[7]。 通常将0和π作为频带的边界, 记为ω0和ωN, 每个频带可表示为
以每个ωn为中心, 宽度为2τn定义一个过渡段, 且τn=γωn, 0<γ<1, 如图1所示。
图1 Fourier谱的分割Fig.1 Segmentation of Fourier spectra
构造经验小波函数和经验尺度函数为
为了获得具有紧支撑的小波框架, 参数γ必须满足以下条件
其中, 函数β(x)为
根据小波变换理论,定义EWT的细节系数和近似系数分别为信号f(t)与经验小波函数和经验尺度函数的内积[8], 则分解的本征模态函数fk(t), 由式(7)~式(8)给出
1.2同步压缩小波变换(SST)
Daubechies等[9]提出的SST是一种时频域能量重排算法,不同于传统谱重排算法,SST在提高时频分辨率的同时,支持信号的重构。该算法利用小波变换后,信号时频域中相位不受尺度变换影响的特性,求取各尺度下对应的频率,然后将同一频率下的尺度相加,即对小波系数往尺度方向进行压缩,最后将时间-尺度平面转化为时间-频率平面,获得频率曲线更为清晰的时频表征,提高了时频分辨率。
文章来源:《内燃机与配件》 网址: http://www.nrjypj.cn/qikandaodu/2020/0730/399.html
上一篇:抗磨环多点综合电测检具软件算法
下一篇:内燃机配气机构设计