基于EMD、關聯(lián)維數(shù)及神經網絡的內燃機故障診斷系統(tǒng)的研究.pdf

1、本文采用NI公司LabVIEW虛擬儀器開發(fā)平臺，開發(fā)了內燃機缸蓋與氣門振動信號采集的軟硬件系統(tǒng)、編寫了數(shù)字信號基于經驗模式分解(Empirical ModeDecomposition，簡稱EMD)法分解及計算各分量關聯(lián)維數(shù)(Correlation Dimension)的LabVIEW程序，并用MATLAB平臺建立了內燃機氣門間隙故障診斷的人工神經網絡(Artificial Neural Network)模型。組建了一套完整的基于EMD、

2、關聯(lián)維數(shù)與神經網絡技術相結合的內燃機燃氣系統(tǒng)故障診斷的虛擬儀器系統(tǒng)，并用浙江新柴動力有限公司的490BPG型發(fā)動機分別進行了內燃機失火、漏氣及氣門間隙狀態(tài)(氣門間隙偏小、正常、偏大、很大)的無拆卸故障診斷的試驗研究，主要結論如下： 1)基于EMD、關聯(lián)維數(shù)及神經網絡理論，采用LabVIEW虛擬儀器開發(fā)平臺研制了一套內燃機燃氣系統(tǒng)無拆卸故障診斷的虛擬儀器，該系統(tǒng)采用模塊化結構，具有快速可重組的優(yōu)點，由壓電式加速度傳感器、光電傳感器

3、、電荷放大器、PCI-6133同步數(shù)據(jù)采集卡、PC機以及采用LabVIEW開發(fā)的測試軟件構成，測試軟件包括數(shù)據(jù)采集模塊、故障特征值定義模塊以及故障類型識別模塊三大部分。 2)進行了內燃機失火和漏氣的無拆卸故障診斷的試驗研究，對缸蓋振動信號進行了試驗分析，結果表明： ①內燃機缸蓋振動信號具有分形特征，可以用關聯(lián)維數(shù)作為表征故障的特征參量，且不同工況時缸蓋振動信號的關聯(lián)維數(shù)區(qū)分明顯，相同轉速下正常工況時的關聯(lián)維數(shù)最高，漏氣故

4、障時的關聯(lián)維數(shù)次之，而失火故障時的關聯(lián)維數(shù)最低。 ②隨著內燃機轉速的增加，各工況的關聯(lián)維數(shù)均有上升的趨勢，這說明高速時內燃機的工作狀況更復雜，缸蓋振動信號的激勵源更豐富。 ③在生產實際中，只需建立相同型號內燃機在典型工況(如怠速無負荷)時缸蓋振動信號關聯(lián)維數(shù)的數(shù)據(jù)庫，即可快速地判斷內燃機失火與漏氣故障。 3)進行了內燃機氣門間隙狀態(tài)的無拆卸故障診斷的試驗研究，對氣門振動信號進行了試驗分析，結果表明： ①內

5、燃機氣門振動信號同樣具有分形特征，但是各工況下氣門振動信號的關聯(lián)維數(shù)區(qū)分不顯著，難以直接從氣門振動信號的關聯(lián)維數(shù)趨勢圖上識別內燃機的氣門間隙狀態(tài)。 ②針對上述情況，采用EMD分解法對內燃機氣門振動信號進行自適應分解，對分解后得到的前4個固有模態(tài)函數(shù)IMF(Intrinsic Mode Function)分別計算其關聯(lián)維數(shù)，將IMF1～IMF4的關聯(lián)維數(shù)作為神經網絡的輸入向量，用4種工況(氣門間隙偏小、正常、偏大、很大)的80組樣