非平稳信号特征提取方法研究及其在内燃机故障诊断中的应用

《非平稳信号特征提取方法研究及其在内燃机故障诊断中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、感矣东乂蓉ＴＩＡＮＪＩＮＵＮＩＶＥＲＳＩＴＹ中国第—所现代大学ＦＯＵＮＤＥＤＩＮ１Ｗ５二．？钟’共．＇方，方Ｘ和，辅■又＞．１ｒ．１：，吃‘－＇１博±学位论文—ｒ．—级学科动力机械及工程热物理：动力机械及工程学科专业；作者姓名；主＿１指导教师：刘昌文教授毕凤荣副教授＇＇＂＾－．．；，，．‘．；：二：±东ｒ卢＝＂＇＂＇．Ｖ：，片天津大学研究生院＾＾．２０１５年５月＇為占独创性声明

2、本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加Ｗ标注和致谢么处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得天津欠学或其他教育机构的学位或证书而使用过的材料一。与我同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名签字日期：！：年＾月日切ＪＩ学位论文版权使用授权书本学位论文作者完全了解天津大学有关保留、使用学位论文的规定。特授权天津大学可Ｗ将学位论文的今部或部分内容编入有关数据库讲斤

3、檢索，并采用影印、缩印或扫描等复制手段保存、汇编供查阅和借阅。同意学校向国家有关部口或机构送交论文的复印件和磁盘。（保密的学位论文在解密后适用本授权说明）户学位论文作者签名：Ｉｔ导师签名：古＂巧革Ｉ、－签字日期；年《月Ｉ日签字日期；＞。年月日／天津大学博士学位论文非平稳信号特征提取方法研究及其在内燃机故障诊断中的应用Non-stationarySignalFeatureExtractionMethodandItsApplicationinInternalCombustionEng

4、ineFaultDiagnosis一级学科：动力机械及工程热物理学科专业：动力机械及工程作者姓名：王霞指导教师：刘昌文教授毕凤荣副教授天津大学机械工程学院二零一五年五月中文摘要内燃机健康状态评估与不解体故障诊断是内燃机及以其为动力源的机械系统以最小的维护与维修成本安全运行的重要保障措施。内燃机表面振动信号中包含了丰富的状态信息，但由于内燃机结构复杂、运行工况多变的工作特点，导致其表面振动信号表现为繁杂的非平稳、非线性时变信号，很难直接作为内燃机健康状态评估与故障诊断的依据。因此，对内燃机表面振动信号进行深度加工并提取

5、能表征其运行状态的关键特征就成为内燃机不解体故障诊断方法研究中的关键问题。论文研究了非平稳、非线性振动信号特征提取方法及模式识别理论。通过对内燃机振动信号的分析再处理，提取能表征内燃机运行状态的关键特征信息，对比提取的特征信息并利用模式识别器进行分类，实现内燃机工作状态和故障类型的判定。论文在研究小波阈值降噪理论的基础上，提出了一种基于自适应小波包改进阈值的降噪方法。仿真结果表明，该方法在信噪比及均方根误差方面均优于传统小波阈值降噪法。通过研究局域波分解与小波包分解频带能量理论，提出EEMD-小波能量与LMD-小波能

6、量信号特征提取方法，并利用两种方法对柴油机喷油提前角故障进行诊断，结果表明：LMD-小波能量方法在故障诊断中更优。同时，针对盲源分离过程中无法实现单通道信号输入以及经验模态分解（EMD）和基于线性假设的独立分量分析（ICA）在分析非线性信号方面的不足，提出基于局域均值分解（LMD）与核独立分量分析（KICA）协同的信号源特征提取方法（LMD-KICA），并且在柴油机故障诊断中得到应用。以LMD与KICA协同的信号特征提取方法为基础，论文提出基于KICA-LMD分形理论的信号特征提取方法（KICA-LMD-CD）。首先

7、利用自适应小波包改进阈值方法和数学形态滤波方法对柴油机故障信号进行降噪预处理，然后经过KICA-LMD分解后计算分量（PFs）分形关联维数值，通过分析关联维数值大小及其变化趋势判断柴油机喷油提前角状态。同时探讨了噪声及局域波分解对柴油机振动信号关联维数计算的影响。结果表明：噪声对关联维数值计算影响较大，降噪是计算关联维数的前提；KICA-LMD分解后分量PFs的关联维数值可以作为柴油机工作状态的判断依据。将支持向量机作为柴油机气门间隙故障诊断的分类识别器。提出了一种基于KICA-LMD相关系数的信号特征提取方法，用于

8、提取某六缸柴油机振动信号分解分量PFs的相关系数，并作为支持向量机的特征量对柴油机故障进行分类。综合上述方法提出了一种多特征提取分类识别的信号特征提取方法。对某六缸柴油机气门间隙七种状态的缸盖振动信号提取特征信息，包括：数据统计特征，相关性特征，分形特征及能量特征等。故障模式识别结果表明，第一，相关系数、关联维数、能量特征识别率达到99.435