原文传递
基于EEMD和SVM联合诊断的发动机故障分析
| 论文题名： | 基于EEMD和SVM联合诊断的发动机故障分析 |
| 关键词： | 故障诊断;振动信号;特征向量;发动机 |
| 摘要： | 发动机作为汽车的动力源，其工作条件恶劣、故障率高。在日常使用中，气门间隙异常和点火系异常是发动机最常见的故障，气门间隙异常将影响发动机的进排气效果、动力性和排放性等指标；而发动机点火系异常将直接使发动机丧失工作能力。发动机缸盖表面振动信号的测量方便快捷，振动、冲击和噪声信号包含丰富的信息，可以实时地反映发动机的工作状态，本课题从发动机缸盖振动信号入手，针对故障诊断的两大核心环节——特征向量提取和故障状态识别，针对气门间隙异常和点火系异常的故障，分析探讨了运用总体平均经验模态分解（EEMD）和支持向量机（SVM）联合诊断的发动机故障分析方法。 在信号分析理论的基础上，对特征模态函数的相关系数法的计算过程进行了推导，并运用此方法对仿真信号进行了特征向量提取，验证了此方法的有效性。以DA462型汽油发动机为研究对象，建立了发动机振动信号采集测试系统。人为模拟发动机气门间隙及缺火故障等8种工况，采集了各工况对应的一、四缸缸盖振动信号，并将采集的信号分为训练样本集和测试样本集。进行总体平均经验模态分解，得到各阶特征模态函数；随后运用相关系数法分别求取基于一、四缸振动信号的特征向量，将一缸振动信号的特征向量作为故障特征向量，建立用于发动机振动信号故障识别的BP神经网络、默认参数的SVM、交叉寻优的SVM、粒子群优化算法的SVM模型，得到测试集分类结果；将一、四缸振动信号的特征向量分别导入到四种故障识别分类器中，建立分类模型并得到测试集分类结果。 对比两种方法的分类结果及用时，结果表明，应用EEMD算法的相关系数法对一、四缸振动信号求取故障特征向量、应用优化算法的支持向量机进行故障分类识别，两种方法结合，分类稳定性高，适用于非稳态时变信号，对小样本适应性强，对所设发动机故障的诊断识别准确率高，对发动机不解体故障诊断研究具有一定的应用价值。 |
| 作者： | 牛家骅 |
| 专业： | 载运工具运用工程 |
| 导师： | 司景萍 |
| 授予学位： | 硕士 |
| 授予学位单位： | 内蒙古工业大学 |
| 学位年度： | 2015 |
| 正文语种： | 中文 |
检索历史
应用推荐
