英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
一种基于智能的发动机故障诊断方法。
在Hilbert-Huang变换和支持向量机上。
上海工程学院汽车工程学院，上海201620,PR中国。
文章历史:
收到了2012年10月23日
于2013年6月30日收到订正表格。
2013年7月1日接受
2013年7月30日上线。
关键词:
发动机故障诊断
噪声特征向量
小波包去噪
简要地变换(HHT)
支持向量机(SVM)
摘要
基于Hilbert-Huang变换(HHT)和支持向量机(SVM)的技术，本文提出了一种基于noisebased的发动机故障诊断智能方法，即HHT - SVM模型。首先用小波包阈值法对样本发动机在正常状态下和几个故障状态下的噪声进行了测量和表征，初步降低了信号失真的噪声水平。为了提取发动机的故障特征，选择了HHT，并将其应用于测量的噪声信号。由经验模态分解(EMD)、HHT边际谱的最大值和相应的频率分量组成的九维矢量，被指定为每个发动机故障特征的代表。最后，利用噪声信号的故障特征向量，建立了发动机故障分类的最优支持向量机模型。交叉验证结果表明，基于噪声的HHT-SVM方法对发动机故障诊断是准确有效的。由于HHT和SVM的时间频率特性和模式识别能力突出，新提出的HHT - SVM可以用于处理静止和非平稳信号，甚至是瞬态信号。在应用中，HHT-SVM技术不仅可以用来检测汽车发动机的异常状态，还可以扩展到工程中的其他故障诊断领域。
1。介绍
发动机是车辆的动力源和核心部件，其性能直接影响车辆的安全性和可靠性。由于发动机结构复杂、工作条件复杂，发动机故障一般占整车故障的40%左右。因此，对发动机的快速、准确的状态监测和故障诊断方法的开发具有重要的意义。在过去的几十年里，发动机故障诊断技术的研究已经成为车辆工程领域的一个活跃领域[1-4]。从20世纪70年代开始，EFD技术得到了飞速的发展。在工程中开发并应用了相应的设备，如带有微处理器的诊断仪器、车载诊断系统等。根据故障信息来源，EFD方法一般可分为四类:(a)发动机性能检测、(b)润滑油分析、(c)振动和(d)基于噪音的诊断方法。由于发动机的输出特性参数往往对早期故障不敏感，因此只有在发动机故障非常严重的情况下才能有效地进行性能检测。摘要通过对发动机润滑油中磨损颗粒的分析，可以通过分析发动机润滑油中的磨损颗粒来确定发动机故障的油分分析方法，由于设备成本高，检测过程耗时，因此难以在工程中应用。众所周知，发动机的振动和噪声信号包含了大量有用的信息(包括故障)，这可能准确地反映了发动机的运行状态。基于振动和噪声的EFD方法通常从运行引擎的振动或噪声信号中提取故障特征，并利用模式识别算法对诊断结果进行决策[5,6]。后两种方法具有诊断速度快、故障源定位精度高、定位准确等特点。与基于振动的技术相比，近年来，以非接触和非衰变为优势的基于噪声的技术得到了广泛的关注[7,8]。使用基于noise的EFD方法有两个关键点。一个是特征提取方法的适当选择;而另一种方法是对其识别算法的合理确定。在实际工作条件下，发动机噪声通常是时变和非平稳的。为了从非平稳噪声信号中提取特征，在文献[3,9-11]中经常提到短时傅立叶变换(STFT)、小波方法和wigne - ville分布(WVD)等时频技术。STFT使用一个标准的傅里叶变换对几种类型的窗口。基于小波的技术可以利用离散或连续尺度的母波函数来调理STFT固有的固有时频分辨率问题。具有过度转换时间的WVD可以比STFT给出更好的分辨率，但是受到了交叉项的干扰，产生的结果比基于小波的方法的粒度更粗。一种称为Hilbert - huang transform (HHT)的时频表示，由empir-ical模式分解(EMD)和Hilbert变换组合而成，在1990年代后期[12]中提出，并由研究人员持续讨论其在工程中的应用[13-15]。对STFT、小波变换、WVD、伪WVD和HHT的比较表明，具有高时频分辨率的HHT可以清晰地描述随时间变化的频率成分的规律，是非平稳信号处理中特征提取的一种很好的方法[16]。基于上述结果，本文采用HHT方法对基于noisebased EFD的发动机故障进行了特征提取。
针对声信号的模式识别和分类，对常用的几种常用方法进行了研究和比较[17]。结果表明:自组织映射和学习向量量化方法互为补充，而长期统计量不能与非平稳特征提取技术相结合。高斯混合模型对音乐信号的非超维分类是有效和强大的。除了基于分析和知识的模型，基于数据模型的应用在过去十年的故障诊断中建立了稳固的位置。介绍了神经网络(NN)、遗传算法(GA)和模糊逻辑算法(FLA)等智能方法，并对机器故障诊断的目的进行了广泛的讨论[4,6,8]。1989年，NN建立并应用于故障诊断，并与基于知识[1]的专业系统进行比较[0]，认为基于nnn的方法适合于故障诊断问题的在线处理。建立了一种基于FLA的方法，对EFD进行了改进，实现了高达90%的故障诊断。
[2]。作为一种新颖的机器学习方法,介绍了支持向量机(SVM)在1990年代早期,统计汇总的基础上学习理论,代表的扩展非线性支持向量机模型的广义肖像算法已经成功地应用于众多的分类和模式识别问题,如纹理分类、机器故障识别和化学计量学[21]。建立了基于svm的分类器。为了尽量减少结构性的误分类风险，而集合分类方法通常采用最小化经验风险的方法。因此，支持支持向量机(SVM)来引导某些增强。泛化性质，这可能在断层对角线上非常有用[22-24]。然而，对于发动机故障诊断，SVMs还没有得到广泛的研究，特别是对于噪声。efd为基础。因此，本文试图利用SVM技术将输入噪声特性投射到发动机的输出故障模式中。
从以上的讨论可以看出，EFD方法从传统的到智能的方法一直在发展。对于基于噪声的efd，尤其需要仔细地选择和设计噪声信号提取和故障模式分类的方法。基于一些测量的发动机噪声，本文提出了一种基于noisebased EFD技术的HHT - SVM技术，该技术是通过将HHT和SVM算法相结合，通过测试验证的。本研究方案如图1所示。在应用中，HHT-SVM模型可以被精确地用于检测样机的故障和故障。可能会扩展到其他与工程有关的故障诊断领域，如语音识别和机器故障诊断和医疗诊断的临床诊断。
2。理论背景
2.1简要地变换
由经验模态分解(EMD)和Hilbert谱分析相结合的Hilbert - huang transform (HHT)是一种自适应时频分析方法。专门用于分析非线性和非平稳过程的数据。HHT的核心部分是EMD方法，任何复杂的信号都可以分解为内在的。模式函数(货币)。该分解方法在时域上具有自适应和高效的特点。随着Hilbert变换，IMFs产生的瞬时频率作为时间的函数，给出了信号分量的清晰识别。由于HHT是基于信号的局部特征时间尺度，它适用于非线性和非平稳过程。
为了获得信号的瞬时频率特性，在HHT中，IMFs需要保证一个行为良好的Hilbert变换。因此，它们被定义为具有相同(或最大程度不同的)零交叉和极值的函数，并且分别具有由局部极大值和最小值定义的对称信封(与时间轴有关)。为了在工程中提取复杂信号的imf，需要执行EMD，最初的动机是假设任何数据都包含不同的简单固有模式振荡，即。货币基金。在EMD之后，信号x(t)可以表示为，
在ci为信号x(t)的国际货币基金组织中，rn是一种残差信号。在Eq.(1)的两边取Hilbert变换(1)，x(t) H(x, t)的Hilbert谱可以由以下方程进行
其中Re为实部算子，ai(t)和xi(t)分别表示振幅和瞬时频率的函数。注意，在Eq.(1)中剩余的rn，它占用的信号能量很小，被忽略了。因此，Hilbert-Huang变换的边际谱，h(x)可以由一个关于时间的积分谱来定义，即，
其中T是信号x(T)的长度。可以发现，H(x, t)可以精确地描述在时间频率平面上的信号振幅变化;h(x)反映了振幅的变化。频率在整个频率范围[25]。从希尔伯特变换得到的国际货币基金组织的instanta-neous频率，在时域和频域都有很好的局限性。揭示信号的重要特征。
2.2支持向量机
SVM通过构造一个多维的超平面来进行分类，该超平面最优地将数据分割成两类。SVM建模是为了找到最优的超平面。
在这种情况下，分离成簇的向量，在平面的一边，另一个类别的情况与飞机的另一种尺寸有关。划分两组数据最简单的方法是用直线、平面或n维的超平面。本文的目的是利用提取的噪声特征对一组发动机故障进行分类，这实际上是一个非线性分类问题。在线性不可分的情况下。因此，在目前的工作中采用了一种非线性的SVM算法，即所谓的软边距。首先，需要将数据点转移到一个非线性区域。非线性映射函数/(x)(RD ?H)定义了一个核函数K(xi,xj)= u(xi)u(xj)，该函数可以将数据映射到高维希尔伯特空间H，然后通过求解以下优化问题来处理寻求最佳分离超平面的问题，
其中w是正常的超平面,C是一个积极的平衡(成本)参数,它定义了是多么的重要,以避免误分类错误,L是训练点,镍是一种积极的松弛变量,b是一个常数代表超平面的距离原点的希尔伯特空间,xi和易建联是输入和输出向量,分别。为了满足这种极小化的约束，拉格朗日乘数a被分配。我们需要最大化:
人工智能受限制的地方在哪里并且0, Hij = yiyjK(xi xj)是Hilbert空间H中的一个向量，它由向量xi和yi映射。这是一个凸二次优化问题(QP)，可以通过运行QP求解器来解决。使用返回的a, w可以计算，
对于任何满足的支持向量xs, 变量bs可以通过，
S表示一组指标的支持向量,这取决于找到指数(0 6 ai 6 C)。定义一个opti-mal取向分离超平面,变量b在Eq。(4)通常是由接管平均所有的支持向量,例如,
将变量w和b替换为Eq.(4)，一个SVM用于解决不可线性分离的数据的分类问题。因此，每一个新的点xj都可以通过评价一个分类的函数来分类，
在SVM建模中，可以考虑一些核映射函数，如线性、多项式、sigmoid和径向基函数。已发现径向基函数(RBF)在各种应用中都非常强大，因此本文选择和使用。RBF也被称为高斯核，
其中，g = 1/(2r)， r为窗宽。
将SVM扩展到目标变量超过两类的情况下，常用的两种方法是suga -: (a)“一个对多个”，其中每个类别被拆分，所有其他类别被合并;(b)“一对一”，对两类分类的支持向量机模型进行训练和构造，以获得对多类别分类的综合识别。由于本文计算量小，选择和执行的方法(b)精度较高。对于k类的数据集，有k(k 1)/2个基本的支持向量机模型，需要随机选取k个类别中的2个进行模型训练。在Eq.(9)之后，fij (x)=(wij /(x)) bij可以分离i和j的类别，这里使用投票决策算法。如果sgn(fij(x)) = 1, cate的投票数。gory i 1，否则j 1的投票。通过所有基本的SVMs投票并记录相应的投票数，一个人可以最终确定一个拥有最多票数的类别。
3发动机噪声的采集和预处理。
3.1数据获取
为了开发HHT-SVM EFD模型，首先需要建立一个包含发动机故障和相应的声音信号的数据库。本文基于GSI发动机的AJR类型，在一个样品车桑塔纳2000中，利用Bamp;K公司生产的五通道脉冲系统，测量了发动机在正常和不同故障条件下的声音信号。考虑的因素影响当地近场声,如阀门的空间位置,活塞,棒,曲轴,正时皮带和结构振动的引擎,麦克风4189型- a - 021是固定在一个点的中心上方引擎cyl-inder头300毫米的距离;它的参考方向是垂直向下的。发动机噪声测量的设备布置和专业设置如图2和图3所示。发动机故障产生器，可用于产生发动机故障，被安置在汽车的后备箱。样机是一个内联四缸四冲程发动机。在相对开放的空间中选择了噪声信号采集的试验场，可以近似地认为是自由场。背景噪声测量的声压级为15分贝，可忽略测试读数，可忽略[26]。在测量过程中，选取的采集参数为:信号长度、3.0 s、采样率、16384 Hz。对于被测信号的规格化尺度，发动机被加热并保持在每分钟2500转的恒定转速下。利用发动机故障产生器并在表1中列出了7个发动机工作状态，其中包括6个典型的en-gine故障。请注意，所有的工作状态都与引擎有关。噪音。每个工作状态测试20次。测试数据自动保存在脉冲中，并重新编号为“state no”。信号没有。如表1所示。我们得到了7times;20，总共140个信号，并将它们保存在一个数据库中，以及它们对应的故障描述。每个发动机工作状态下的实测信号在后续研究中准备用于训练和测试HHT-SVM EFD模型。
3.2信号去噪
在测量过程中，不可避免地会发生某些附加噪声的测量信号畸变，这可能是一些噪声叠加和干扰。环境背景和测量系统的硬件。因此，为了保证在后续文本中建模的准确性，需要对信号进行标记。一些常用的噪声抑制方法，如最小二乘、谱减法、匹配追踪和小波阈值方法已在应用中成功应用[27-29]。基于离散小波变换(DWT)的收缩表示方法，已被证明是非常有效的去噪非平稳车辆噪声。噪音。每个工作状态测试20次。测试数据自动保存在脉冲中，并重新编号为“state no”。信号没有。如表1所示。我们得到了7times;20，总共140个信号，并将它们保存在一个数据库中，以及它们对应的故障描述。每个发动机工作状态下的实测信号在后续研究中准备用于训练和测试HHT-SVM EFD模型。
[30]本文采用的是[0]。去噪过程分为三个步骤:(a)信号分解，(b)阈值和收缩系数的确定，(c)用自制的Matlab程序重建信号。定义并选择了以下参数:Daubechies小波“db4”，3级
全文共18304字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[13172]，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。
