发动机机械故障诊断系统特征提取算法研究

论文摘要

汽车发动机机械故障诊断系统是一种用于对处于调试、运行中的发动机进行在线检测与故障诊断的智能仪器系统。其工作原理是利用振动传感器直接采集发动机产生的非正常振动信号,并通过计算机对振动信号所代表的故障模式进行相应的分析和分类,最后以故障代码的方式输出判定结果。本论文即针对此目标而开展的研究工作,主要包括：(1)气门、连杆、汽缸套、小瓦、曲轴轴承、正时齿轮、活塞销、正常信号等八类信号的采集；(2)发动机故障时域信号噪声分析；(3)基于快速傅里叶变换方法的时频变换算法设计；(4)基于周期图法功率谱分析方法算法设计；(5)基于离差矩阵的特征评价准则的建模；(6)基于自适应遗传策略的特征选择算法设计。论文提出了一种基于RMS、Peak、Crest模型的发动机故障噪声时域分析模型；可以从平均能量、峰值能量、极差能量角度刻画非正常振动引起的能量变化规律。在此基础上,又进一步讨论了基于时域极限参数的推理规则修正、以及通过训练样本获得极限参数和报警参数的方法。利用时域分析模型,可以发现导致很大噪声的一类周期性孤立故障,同时可以通过与频域方法联合分析的方法,解决故障原因分析问题中的故障定位问题。设计了一种基于原位运算的快速傅里叶变换算法。算法采用基2时间抽取的原位交换策略,具有很高的空间效率,适用于实时在线系统的应用,可以实时对发动机故障信号进行时频变换,得到故障信号频域信息。建立了一种基于周期图方法的功率谱分析模型及相应的编程算法。模型在频域信号的基础上,以频域能量密度函数的方式,从能量角度对发动机故障信息进行频域分析,可以有效地刻画发动机故障与能量间的变化规律。建立了一种基于自适应策略的遗传搜索算法。算法以欧氏相似测度散布矩阵作为特征评价准则,以m维特征为基因构造染色体码串,并采用了基于自适应遗传策略的交叉／变异算子模型。对于解域空间具有非连续、多峰、含噪声特征的一类特征选择问题,算法克服了SFFS、SFBS搜索选择过程不可回溯以及B&B在处理非连续、多峰、含噪声问题时受局部最优欺骗影响的问题,具有很强的鲁棒性,能够以很大的概率收敛至全局满意解,从而可以在较低复杂度的前提下,有效地处理高维特征选择问题。在上述工作基础上,开发了相关算法的C语言应用程序,并得到应用。单元和联合测试结果表明,算法及应用程序满足设计要求。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 工程背景与开展此项研究的意义
• 1.2 总体解决方案
• 1.3 国内外研究现状
• 1.4 本工作主要研究内容
• 1.5 项目来源
• 第2章 发动机振动信号的采集
• 2.1 概述
• 2.2 发动机的振动与基于振动信号分析方法的故障诊断
• 2.3 振动信号采集硬件系统
• 2.4 发动机振动信号采集与观测样本矩阵
• 2.5 小结
• 第3章 发动机故障信号时域特征分析
• 3.1 概述
• 3.2 发动机故障信号时域噪声分析
• 3.3 时域极限参数
• 3.4 时域极限参数推理规则与推理知识库
• 3.5 时域极限参数的学习训练
• 3.6 小结
• 第4章 基于FFT的发动机故障信号时频变换算法设计
• 4.1 概述
• 4.2 离散傅里叶变换（DFT）
• 4.3 快速傅里叶变换
• 4.4 时间抽取（DIT）基2 FFT算法设计
• 4.5 FFT算法实验测试
• 4.6 小结
• 第5章 基于周期图法发动机故障谱分析算法设计
• 5.1 概述
• 5.2 功率谱分析理论基础
• 5.3 周期图法算法设计
• 5.4 实验评估
• 5.5 小结
• 第6章 基于遗传算法的发动机故障特征提取方法研究
• 6.1 概述
• 6.2 特征及特征评价准则
• 6.3 遗传算法的基本理论
• 6.4 发动机故障信号功率谱特征选择算法设计
• 6.5 实验评估
• 6.6 小结
• 第7章 结论
• 7.1 主要研究成果
• 7.2 主要创新点
• 致谢
• 参考文献
• 攻读学位期间的研究成果