柴油機(jī)振動信號分析與故障診斷研究

內(nèi)容概要

　　《柴油機(jī)振動信號分析與故障診斷研究》在廣泛參考國內(nèi)外文獻(xiàn)、總結(jié)國內(nèi)外最新研究成果的基礎(chǔ)上，結(jié)合科研實(shí)踐，以柴油機(jī)為研究對象，以測試技術(shù)、信號處理、小波分析、粒子群優(yōu)化算法和支持向量機(jī)等為理論基礎(chǔ)，圍繞柴油機(jī)在線異常檢測的目的，研究了大功率柴油機(jī)振動信號產(chǎn)生機(jī)理及數(shù)學(xué)模型、振動信號的降噪、多角度特征提取、異常檢測模型的優(yōu)化和訓(xùn)練更新等問題，構(gòu)建了一套完整的柴油機(jī)動態(tài)異常檢測的方法，大大提高了異常檢測的精度和效率，為柴油機(jī)狀態(tài)監(jiān)測提供了一條新的、完整的、有效的技術(shù)途徑。

書籍目錄

第1章柴油機(jī)故障診斷概述 1.1故障診斷發(fā)展歷程 1.2柴油機(jī)故障分類 1.3柴油機(jī)診斷常用信息 1.4柴油機(jī)動態(tài)故障檢測技術(shù) 1.4.1狀態(tài)參數(shù)法 1.4.2油液分析法 1.4.3聲學(xué)檢測法 1.4.4振動檢測法 1.4.5多源信息融合診斷法 1.5柴油機(jī)振動信號處理與特征提取方法 1.5.1基于小波分析的柴油機(jī)信號處理與特征提取方法 1.5.2雙樹復(fù)小波變換及其在機(jī)械信號處理中的應(yīng)用 1.6基于支持向量機(jī)的柴油機(jī)異常檢測 1.6.1單類支持向量機(jī)的研究與應(yīng)用 1.6.2單類支持向量機(jī)在機(jī)械異常檢測中的應(yīng)用 第2章雙樹復(fù)小波分析 2.1小波分析理論基礎(chǔ) 2.1.1從傅里葉分析到小波變換 2.1.2多分辨率分析與Mallat算法 2.1.3小波包變換的定義 2.1.4小波包變換的Mallat算法 2.2雙樹復(fù)小波變換 2.2.1傳統(tǒng)離散小波變換的平移變動性 2.2.2雙樹復(fù)小波包變換 2.2.3雙樹復(fù)小波包Hilbert變換對濾波器設(shè)計 2.2.4雙樹復(fù)小波包快速M(fèi)allat算法 2.3基于小波變換的基本降噪方法分析對比 2.3.1基于模極大值重構(gòu)的小波降噪方法 2.3.2基于信號尺度間相關(guān)性的空域相關(guān)降噪方法 2.3.3基于小波變換解相關(guān)特性的小波閾值降噪方法 2.4本章小結(jié) 第3章柴油機(jī)振動分析與雙樹復(fù)小波包降噪研究 3.1柴油機(jī)振動信號采集方法 3.1.1等角度域采樣原理分析 3.1.2柴油機(jī)整循環(huán)同步采樣的實(shí)現(xiàn) 3.1.3柴油機(jī)試驗工況 3.2柴油機(jī)振動信號特性分析 3.2.1缸蓋系統(tǒng)振動動力學(xué)模型 3.2.2柴油機(jī)振動信號特性分析 3.3雙樹復(fù)小波包仿真信號分析 3.3.1階梯信號的平移不變性測試 3.3.2小波包分解頻率混疊測試 3.4雙樹復(fù)小波包自適應(yīng)鄰域分塊閾值降噪方法 3.4.1分塊閾值降噪 3.4.2自適應(yīng)分塊閾值降噪方法 3.4.3計算機(jī)仿真信號分析 3.5柴油機(jī)缸蓋振動信號降噪實(shí)例 3.6本章小結(jié) 第4章基于雙樹復(fù)小波包的柴油機(jī)故障特征提取 4.1基于雙樹復(fù)小波包的時域特征提取 4.1.1振動信號的統(tǒng)計特征參數(shù) 4.1.2多分辨率：Hilbert包絡(luò)熵 4.2基于雙樹復(fù)小波包的頻域特征提取 4.2.1歸一化相對能量特征 4.2.2基于互熵的相對能量特征評價指標(biāo) 4.2.3實(shí)測信號分析 4.3基于雙樹復(fù)小波包的時頻域特征提取 4.3.1雙樹復(fù)小波包時頻分布 4.3.2奇異值分解和奇異譜分析 4.3.3實(shí)測信號分析 4.4基于雙樹復(fù)小波包變換的特征參數(shù)集提取過程 4.5本章小結(jié) 第5章單類支持向量機(jī) 5.1支持向量機(jī)理論 5.1.1分類超平面 5.1.2支持向量機(jī) 5.2單類支持向量機(jī)模型 5.2.1One—ClassSVM模型 5.2.2支持向量描述模型 5.2.3參數(shù)設(shè)置與優(yōu)化分析 5.3單類支持向量機(jī)模型理論分析 5.3.1兩種單類支持向量機(jī)模型的區(qū)別和聯(lián)系 5.3.2模型局限性分析 5.3.3模型性能評價指標(biāo) 5.4單類支持向量機(jī)研究進(jìn)展 5.5本章小結(jié) 第6章基于單類支持向量機(jī)的柴油機(jī)異常檢測模型研究 6.1最大間隔超球分類器異常檢測模型 6.1.1最優(yōu)分類超平面思想 6.1.2最大間隔超球分類器異常檢測模型的建立 6.1.3模型參數(shù)分析 6.1.4實(shí)例分析與應(yīng)用 6.2基于貝葉斯的三層閾值異常檢測模型 6.2.1特征空間與混疊域 6.2.2基于貝葉斯的三層閾值分界面 6.2.3實(shí)測信號分析 6.3基于多核映射的支持向量異常檢測模型 6.3.1多核空間描述 6.3.2多核支持向量描述模型 6.3.3柴油機(jī)實(shí)測信號應(yīng)用 6.4本章小結(jié) 第7章基于粒子群的異常檢測模型多目標(biāo)優(yōu)化研究 7.1粒子群優(yōu)化算法 7.1.1粒子群優(yōu)化算法基本原理 7.1.2粒子群優(yōu)化算法控制參數(shù)分析 7.1.3標(biāo)準(zhǔn)微粒群算法的局限性 7.2自適應(yīng)混沌雙粒子群優(yōu)化 7.2.1雙種群協(xié)同進(jìn)化 7.2.2混沌變異全局搜索種群 7.2.3自適應(yīng)鄰域局部搜索種群 7.2.4仿真對比測試 7.3基于粒子群的柴油機(jī)異常檢測多目標(biāo)優(yōu)化 7.3.1非支配排序微粒群多目標(biāo)優(yōu)化 7.3.2數(shù)據(jù)分析與驗證 7.4本章小結(jié) 第8章柴油機(jī)異常檢測動態(tài)更新與故障類型識別 8.1柴油機(jī)異常檢測模型的動態(tài)更新 8.1.1異常檢測模型增量學(xué)習(xí)與KKT條件 8.1.2新增樣本對支持向量集的影響分析 8.1.3異常檢測模型更新法則 8.1.4異常檢測模型增量式SMO快速訓(xùn)練算法 8.1.5柴油機(jī)在線檢測性能分析 8.2柴油機(jī)在線檢測動態(tài)多故障類型識別方法 8.2.1動態(tài)多故障識別模型的建立 8.2.2測試樣本點(diǎn)與各超球體的位置關(guān)系分析 8.2.3柴油機(jī)多故障診斷應(yīng)用 8.3本章小結(jié) 參考文獻(xiàn)

章節(jié)摘錄

版權(quán)頁：   插圖：   3.4雙樹復(fù)小波包自適應(yīng)鄰域分塊閾值降噪方法 對柴油機(jī)的運(yùn)行狀態(tài)進(jìn)行監(jiān)測，所測試的振動信號不可避免地含有環(huán)境噪聲和系統(tǒng)噪聲，噪聲是影響機(jī)械設(shè)備早期故障診斷的主要因素，因此必須通過降噪，去除被分析信號中的背景噪聲和冗余信息，來突顯故障的特征信息。 小波閾值降噪方法以其優(yōu)越的性能得到越來越多的關(guān)注和應(yīng)用。小波閾值去噪方法是通過對小波系數(shù)進(jìn)行閾值量化處理而實(shí)現(xiàn)的，是一種非線性處理，傳統(tǒng)離散小波變換，其正交小波基是基本小波函數(shù)經(jīng)過伸縮與平移得到的函數(shù)族，隨著尺度的增大，信號的取樣間隔以2的指數(shù)倍變大，使得正交小波函數(shù)集不能從多尺度的角度很好地匹配信號的局部結(jié)構(gòu)特征，無論何種閾值估計方法都難以準(zhǔn)確地區(qū)分包含邊緣信息的小幅值小波系數(shù)和由噪聲引起的小波系數(shù)，在變換域中，對小波系數(shù)去閾值會從小波基的組合中去掉那些系數(shù)幅值小于閾值的小波基，當(dāng)這些小波基的支集包含突變點(diǎn)時，去噪結(jié)果就會在突變點(diǎn)附近產(chǎn)生振蕩，這種現(xiàn)象稱為偽Gibbs現(xiàn)象，這不是原始信號所固有的，而是在運(yùn)用小波進(jìn)行消噪時由于小波的局限性所產(chǎn)生的干擾，其根本原因是離散小波變換采用隔點(diǎn)抽樣導(dǎo)致的平移變動性。 將原始信號在時域做一定量的平移，可以實(shí)現(xiàn)某一奇異點(diǎn)附近震蕩幅值的最小化，為了尋求平移對所有奇異點(diǎn)都是最優(yōu)的，Coifman和Donoh0提出采用“Cycle spinning”（循環(huán)平移）方法加以抑制，通過循環(huán)平移運(yùn)算，改變信號的排列次序即改變信號的奇異點(diǎn)位置，使小波匹配信號奇異點(diǎn)，再平均所得結(jié)果，達(dá)到降低或消除振蕩的目的，即為平移不變量去噪法。其優(yōu)點(diǎn)是可以在閾值法去噪中有效地去除在信號的不連續(xù)點(diǎn)處所產(chǎn)生的偽Gibb?，F(xiàn)象，表現(xiàn)出比一般閾值法更好的視覺效果，缺點(diǎn)是大大增加了計算量。 3.4.1分塊閾值降噪 在小波域，大的細(xì)節(jié)系數(shù)幾乎都是成塊出現(xiàn)，而且主要集中于信號有明顯變化的部位，體現(xiàn)了小波系數(shù)“稀疏簇聚”特征。閾值的選擇是閾值降噪的關(guān)鍵，最常用的閾值估計方法有統(tǒng)一閾值估計、極大極小閾值、無偏風(fēng)險估計閾值等。這些閾值降噪方法是將小波的分解系數(shù)逐項進(jìn)行處理，即認(rèn)為其分解系數(shù)是各自獨(dú)立的。這種閾值去噪算法對每一個小波系數(shù)進(jìn)行獨(dú)立的估計，并與設(shè)定的閾值比較，周圍的小波系數(shù)對其沒有影響。這種方法獲得了方差與偏差的折衷，但這個折衷不是優(yōu)化的，拋棄了太多的系數(shù)，造成估計子偏差過大。

編輯推薦

《柴油機(jī)振動信號分析與故障診斷研究》可供信號處理、機(jī)械工程等專業(yè)研究生以及從事動態(tài)測試研究的科研人員參考使用。

圖書封面

評論、評分、閱讀與下載

---

    柴油機(jī)振動信號分析與故障診斷研究 PDF格式下載

---