[发明专利]一种基于自适应性错位叠加算法的发动机故障成分提取方法

说明书

本发明公开了一种基于自适应性错位叠加算法的发动机故障成分提取方法，属于种信号处理领域的信号提取方法，该方法步骤如下：对异常信号和编码器输出信号进行采集，通过选取编码器某一相位上的点，沿电机旋转方向逆时针或顺时针方向截取圆弧长度为W的区域，计算两个通过W区域的异响信号的相关系数，确立起始叠加点；以起始叠加点为基准对异响信号进行截取，获得按照采样频率划分的偶数个截断，每组片段的叠加次数按照相关性阈值M2为判断基准进行叠加运算，截取叠加片段前端且长度为L90％的片段并进行向下取整运算，然后计算两组片段截取后的相关系数,直到相关系数大于阈值M3,即分离出故障成分，该方法简单易行，不仅可以提取发动机的故障成分，还能用于分离其他类型旋转机器的故障成分。

技术领域

本发明涉及一种信号处理领域的信号提取方法，尤其涉及一种基于自适应性错位叠加算法的发动机故障成分提取方法。

背景技术

汽车发动机是以燃油为动力供给的汽车核心部件，具有十分复杂的系统和很高的装配要求。发动机在运行过程中，其部件要在高温高压的条件下工作，并且由于部件之间的摩擦、磨损、转速及负载经常变化以及维修不当等原因，发动机经常会产生一些故障。发动机发生故障时，其部件振动的声信号及其频率会产生变异，通过对声信号进行处理提取其中的故障信号能够作为分析其故障原因的有效依据。将故障成分从异响信号中分离出来的过程被称之为故障成分提取，提取出的故障成分能够作为分析发动机故障原因的有效依。异响信号中的故障成分信噪比较低，故障成分的提取往往是最重要且最困难的问题，直接影响到诊断的准确性与可靠性，因此需要选择合适的信号处理方法进行处理。针对发动机运行时工作环境的多样性以及干扰信号的复杂性，小波变换和经验模态分解(EMD)常用于提取异响中的故障成分。

小波分析理论是一种现代十分流行的应用于信号处理方面的时频分析方法，可以通过伸缩和平移改变时域分析窗的形状，在高频处采用短窗以获得良好的时域分辨率，而在低频采用长窗以获得良好的频域分辨率。小波变换的这种性质能够满足对随时间变化的复杂频率成分的信号进行时频分析的要求，很适合探测机械设备中产生的冲击噪声的瞬态反常部分并将其展示出来。然而，不同的小波基具有不同的性质和应用范围，如何选择小波基是使用小波变换所存在的一个重要缺陷。

EMD是用于处理非平稳信号的一种方法，EMD能够在不设定任何基函数的前提下根据信号自身的时间尺度特征进行分解，具有良好的自适应性。EMD不仅能准确的把握原始信号的特征信息，还能避免信号能量的泄露以及挖掘出更深层次的信息特征。与小波分析的方法相比，EMD具有更强的局部特性，即在时间域和频率域中的分辨率比小波谱更高，因此EMD分析的结果更能准确的反映出系统原有的物理特性。虽然EMD具有以上优点，但是也存在端点效应、欠包络现象、模态混叠等不足。

针对小波变换和EMD的不足，在随机减量技术的基础之上提出了DSM，用于信号处理领域。相比于小波分析、EMD等经典的信号分析方法，DSM仅用到了加法运算，计算效率高，提取的信号准确，频率成分更加完整。然而处理发动机异响信号时，发动机实际转速存在微小变动，故障分量不是理想的周期信号，而是一种围绕平均周期波动的准周期信号，因此DSM无法通过平移故障成分周期的方式提取异响中的故障成分，需要相关人员人为选出合适的起始叠加点和叠加长度，进而对异响信号叠加分离出故障成分，对故障进行诊断。

发明内容

根据现有技术存在的问题，本发明公开了一种基于自适应性错位叠加算法的发动机故障成分提取方法，包括以下步骤：

S1:以相同的采样率对异响信号和编码器输出信号进行采集，使两种信号具有相同的采样点；

S2:通过选取编码器某一相位上的点，沿电机旋转方向逆时针或顺时针方向截取圆弧长度为W的区域，计算两个通过W区域的异响信号的相关系数，若两个相关系数小于阈值M1，则沿电机旋转方向，选择下一相位，重复进行上述运算直到相关系数大于阈值M1,确立起始叠加点；