[发明专利]一种基于多传感器模糊评估的发动机气缸故障预测方法

权利要求书

1.一种基于多传感器模糊评估的发动机气缸故障预测方法，其特征在于，包括：

实时获取发动机工作时的振动信号、其中一个气缸的上止点位置信号；

对所述振动信号进行变分模态分解，基于粒子群算法对影响变分模态分解的影响参数K和α进行优化，获取最佳影响参数K和α，基于最佳影响参数K和α对振动信号进行变分模态分解，输出最佳振动信号；

根据所述一个气缸的上止点位置信号确定出气缸的一个工作周期；

根据所述气缸的工作周期，确定气缸的三个振动阶段；

利用冒泡法找出三个振动阶段中气缸缸盖振动的峰值，根据最佳振动信号计算缸盖振动的有效值；

将缸盖振动的峰值，缸盖振动的有效值作为指标因素，根据指标因素对柴油机气缸系统的健康状态进行模糊综合评估；

对所述振动信号进行变分模态分解，基于粒子群算法对影响变分模态分解的影响参数K和α进行优化，获取最佳影响参数K和α的方法为：

对振动信号进行变分模态分解，获取多个IMF分量信号；

对多个IMF分量信号进行包络谱分析，获取每个IMF分量信号的对应的包络熵值；

根据每个IMF分量信号对应的包络熵值确定所有IMF分量信号中的全局极小熵值；

根据全局极小熵值输出对应的影响参数K和α，对应的影响参数K和α即为最佳影响参数；

根据每个IMF分量信号的包络熵值确定所有IMF分量信号中的全局极小熵值的方法为：

将每个IMF分量信号的对应的包络熵值作为各粒子的适应度值；其中，IMF分量信号的个数即为粒子的个数；

更新各个粒子的位置，并计算各个粒子每次更新位置后各个的粒子适应度值，确定同一粒子更新位置后的适应度值和更新前的适应度值进行比较，获取这两个适应度值中小的适应度值作为局部极小熵值，将所有粒子的局部极小熵值进行比较，获取其中最小的局部极小熵值即为全局极小熵值；

根据所述一个气缸的上止点位置信号确定出气缸的一个工作周期的方法为：

根据采集到的上止点位置信号，对上止点位置信号进行处理，得到多个数据，其中所述数据中的最高值与最低值之间选择一个中间数，以中间数作为判断气缸的一个工作周期的起点和终点；

将获取的一个周期的上止点信号点数除以气缸工作一个周期曲轴转过的角度得到每个角度对应的上止点信号点数，根据上止点信号点数和各活塞杆的相位角得出各气缸的上止点位置；

确定气缸的三个振动阶段的方法：

根据其中一个气缸压力绘制气缸工作阶段的时序图；

根据时序图对应的振动信号得出排气阀关闭激励的峰值大于燃烧激励的振动峰值，将气缸的三个振动阶段区分为进气阀关闭激励振动阶段、排气阀关闭激励振动阶段、燃烧激励振动阶段；

根据指标因素对柴油机气缸系统的健康状态进行模糊综合评估的方法为：

根据气缸系统的当前值，当前值包括缸盖振动峰值、缸盖振动的有效值，结合气缸系统健康状态等级的量化模型，得出多参数的等级量化矩阵即将缸盖振动峰值代入良好、基本正常、故障三个隶属度函数，可以计算出三个值r₁₁,r₁₂,r₁₃，也就是当前气缸系统的健康状态隶属于良好、基本正常和故障的程度分别为r₁₁,r₁₂,r₁₃；由缸盖振动的有效值参数评估气缸系统的健康状态隶属于良好、基本正常、故障的程度为r₂₁,r₂₂,r₂₃；

根据缸盖振动峰值、缸盖振动的有效值，确定缸盖振动峰值、缸盖振动的有效值的权重W，权重用权向量W＝(w₁,w₂)表示，其中，权向量W的确定可以由专家直接给出或者通过层次分析法确定；

根据重系数向量W和多参数量化矩阵R，利用下式(2)计算气缸系统健康状态的模糊综合评价结果向量B：

其中，当前气缸系统的健康状态隶属于良好、基本正常和故障的情况依次为b₁,b₂,b₃。