英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
机械科学与技术杂志26（8）（2012）2413〜2423
www.springerlink.com/content/1738-494x
DOI 10.1007/s12206-012-0621-2
船用柴油机瞬时角速度智能故障诊断方法dagger;
李志雄1，严新平1,*，郑清源1和钟晓鹏2
1武汉理工大学能源与动力工程学院可靠性工程研究所，交通运输部船舶动力工程与技术重点实验室，武汉，430063
2澳大利亚新南威尔士大学机械与制造工程学院，NSW 2052，悉尼
（手稿于2010年10月21日收到; 2012年3月6日修订; 2012年3月11日接受）
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
摘要
船用柴油机的正常运行确保了预定的行程完成和效率。 任何故障都可能导致重大经济损失和严重事故。 因此，以可靠和及时的方式监控发动机状况是至关重要的，以防止发电厂出现故障。 本文描述和评估了基于经验模式分解（EMD），核独立分量分析（KICA），Wigner双谱和支持向量机（SVM）的智能诊断技术的开发和应用。 它是以前使用瞬时角速度（IAS）的柴油发动机故障检测工作的延伸。 在这项研究中，为了解决欠定盲源分离（BSS）问题，首先提出EMD和KICA的组合来估计来自单通道IAS传感器的IAS信号。 KICA也用于选择由Wigner双谱提取的特征。 然后，SVM以智能方式用于船用柴油机故障的多级识别。 使用6缸发动机模型的数值模拟和在名为“航俊20”的船舶上测得的真实IAS数据用于评估所提出的方法。 数值和实验诊断结果都显示了所提出的诊断方法的高效率。 EMD-KICA和Wigner双谱提取了IAS信号的不同故障特征，SVM的故障检测率超过94.0％。 因此，该方法对船用柴油机的故障诊断具有可行性和可用性。
关键词：智能故障诊断; 船用柴油机; 核独立分量分析; 维格纳双谱; 支持向量机; 瞬时角速度
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
介绍
船舶动力装置是船舶的核心。 在过去的几十年中，柴油发动机已成为船舶应用的先选，并已在99％以上的大型商用船舶中作为推进系统的主要驱动装置[1,2]。 因此，提高船用柴油机的可靠性和效率已经成为工程师设计，制造和操作船舶的主要目标[2]。 离岸发动机的任何故障，故障或故障都可能导致严重的经济损失和严重事故以及可能的伤亡事故。 因此，必须及时监测机器状况并及时评估其健康状况，以防止故障并确保预定的出行完成和效率。
最新的各种状态监测方法
*通讯作者。 电话： 86 2786540357，传真： 86 2786549879电子邮件地址：lzx520@163.com
dagger;由副主编Kyung-Soo Kim推荐
copy;KSME＆Springer 2012
并提出了船用柴油机的故障诊断方法[3]。 流行的技术包括油和磨损分析[4]，基于热力学模型的方法[2]和充满活力的分析[5,6]等。然而，当使用油分析技术时，换能器需要安装在气缸内部以获取采集信息。 实际上，传感器通常难以安装并且容易损坏。 在一些振动应用中也存在类似的问题。 这些缺点可能导致其诊断可靠性下降甚至误诊。 热力学模型没有这样的缺点[2]; 然而，确切的模型参数往往难以确定。 柴油机状态监测的一种简化方法是基于IAS包含大量柴油发动机故障诊断信息[5]并且编码器便宜且易于安装的瞬时角速度（IAS）[6， 7]。 因此，自20世纪80年代末以来，对柴油发动机故障诊断的IAS给予了关注[8-13]。 早期的研究表明，傅里叶变换（FT）对IAS信号的应用对于发动机燃烧故障检测是有效的[8-10]。 怎么样-
对于具有大量气缸和大转动惯量的发动机而言，使用基于FT的方法检测发动机故障非常困难[6]。 因此，查尔斯等人。 [6,7]提出了一种新颖的极坐标显示方法来检测柴油机故障，并证明极坐标显示比快速傅立叶变换（FFT）更有效。 其他先进技术，如短时傅立叶变换[14]，模糊系统[15]，遗传算法[16]和人工神经网络[17]等，也可以在IAS信号分析中找到。 然而，大多数提出的方法没有考虑到在船用柴油发动机中测量的IAS信号本质上是由于高发动机惯性，重叠的燃烧事件以及阀门，曲轴和活塞的冲击和振动而引起的各种激励的混合等[18]。 结果，测量的IAS信号严重失真，使用时间频率分析直接从测量的IAS信号识别发动机模式非常困难。
幸运的是，独立分量分析（ICA）是从原始混合物中恢复IAS信号的强大工具。 然而，ICA在实践中经常遭受两个假设[19]。 一个是线性混合假设，另一个是欠定BSS问题[20]，即传感器数量少于源数量。 迄今为止，在机械故障诊断领域，同时解决这两个问题的工作只做了有限的工作。 为了克服这个问题，提出了经验模式分解（EMD）[20]和核ICA（KICA）[21]的组合来估计来自单通道观测的IAS源。 这里，Bach [21]提出的内核ICA（KICA）着重于非线性BSS问题。 advan-
图1. ICA的插图。
提出的方法。 在情况1中，通过6缸柴油机模型模拟IAS信号，而在情况2中，在名为“Hangjun 20”的液压挖泥机上测量IAS信号。 这两种情况的诊断结果表明，所提出的诊断方法可用于对船用柴油机进行智能故障检
全文共16024字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[8985]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
