[发明专利]一种内燃机多故障诊断方法

说明书

本发明公开了一种内燃机多故障诊断方法，包括获取内燃机振动角域信号；故障特征参数提取：首先根据角域信号计算其三阶累积量，再根据三阶累积量计算对角累积量，最后计算基于对角累积量的统计参数对角累积能量和对角累积差；故障分类模型的构建：首先对非线性支持向量机进行优化构建最优的非线性支持向量机并得到最优分类函数；再采用一对一法构造内燃机多故障分类模型；最后利用已知故障类型的特征参数对角累积差，对角累积能量作为训练集，把训练集中样本点输入到故障分类模型中进行训练得到分类模型，再将包含未知故障类型的特征参数对角累积差，对角累积能量的测试集，把测试集的样本点输入训练后的分类模型进行类型识别即故障诊断。

技术领域

本发明涉及故障诊断方法，尤其涉及一种内燃机多故障诊断方法。

背景技术

内燃机运转时产生振动是不可避免的，不论是状态监测还是故障诊断，振动信号都是反映其内在关系极其有效的敏感参数。传统的故障诊断方法采用的是时域分析，基于时间序列进行信号采集，然而内燃机机体表面振动信号呈现多态冲击、时变传输与非高斯的典型特征，使得采用基于时间序列的信号进行故障诊断难以得到准确的结果。目前使用较多的特征参数提取方法是利用小波变换或者其改进算法对原始信号进行分解，依据各尺度和频带的能量来提取故障特征参数，包括平均能量分布、标准相对能量，然而小波变换的信号是冗余的，多尺度分解后，尺度和频带众多，使得信号处理和特征提取十分繁琐，同时，具有小波分解的特征参数比较单一，没有完全的反映分解信号的特征信息。在故障分类方面，使用较多的是神经网络算法，然而不管从学习效率还是故障识别率上，支持向量机算法都优于神经网络算法，且比神经网络算法有更强的抗干扰能力。支持向量机(SVM)是建立在统计学习理论的VC维和结构风险最小化原则基础上的机器学习方法。支持向量机是从线性可分情况下的最优超平面发展而来的。

因此，亟待解决上述问题。

发明内容

发明目的：本发明的目的是提供可有效降低内燃机结构和工况对信号的扰动使诊断结果更为准确的一种内燃机多故障诊断方法。

技术方案：为实现以上目的，本发明公开了一种内燃机多故障诊断方法，包括如下步骤：

(1)获取内燃机振动角域信号y(θ)，θ为角度；

(2)故障特征参数提取：首先根据角域信号y(θ)计算其三阶累积量，再根据三阶累积量计算对角累积量，最后计算基于对角累积量的统计参数对角累积能量和对角累积差；

(3)故障分类模型的构建：

首先对非线性支持向量机进行优化构建最优的非线性支持向量机并得到最优分类函数f(x)；

再采用一对一法构造内燃机多故障分类模型，即在任意两类样本集之间设计一个二分类模型；设第i类和j类的样本集分别记为{(x，y)}_i与{(x，y)}_j，x为样本集的特征参数，y表示样本类别，相应的标签集分别为i与j，总的样本集为M类；则M类故障的分类共构造M(M-1)/2决策函数，第i类和j类的决策函数记为f_ij(x)；当新的测试集输入非线性支持向量机的决策函数进行训练后，若f_ij(x)＝i,则属于i类，i类的权值加1，否则j的权值加1，最终权值最大的一类即为测试样本集所属的类别；

最后利用已知故障类型的特征参数对角累积差，对角累积能量作为训练集，将训练集的样本点输入到故障分类模型f_ij(x)中进行训练得到分类模型，再将包含未知故障类型的特征参数对角累积差和对角累积能量的测试集，将测试集的样本点输入训练后的分类模型进行类型识别即故障诊断。

其中，所述步骤(1)中获取内燃机振动角域信号y(θ)的具体步骤包括：通过光电式角度编码器采集内燃机振动信号，获得振动的角域信号y(θ)，其中采样频率f_s为3600/转。