基于声学特征的埋地管道堵塞故障的聚类识别方法

针对在实际工程应用中埋地排水管道不同程度的堵塞难以检测的问题,提出了一种基于声学特征的管道堵塞故障类型的聚类识别方法.首先对管道中采集的声学信号进行声压级变换,以增加不同故障类型之间的区分度,其次对声压级信号进行总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),利用皮尔逊相关系数选取前4个IMF分量并提取中心频率和能量占比作为聚类特征,之后采用主成分分析法(Principal Component Analysis,PCA)对特征向量进行降维,最后通过FCM((Fuzzy C-means))和GK(GustafsonKessel),GG(Gath-Geva)3种聚类学习方法对特征向量进行堵塞故障的聚类和识别.实验结果表明,该方法能有效识别排水管道内不同程度的堵塞故障,具有一定的工程实用价值.

电控燃油喷射系统喷油器堵塞故障分析

电磁喷油器的良好工作特性主要取决精确的燃油喷射量控制、宽广的动态流量特性和喷射油束的良好雾化品质、合理的形状及方向，而堵塞故障则会破坏电磁喷油器的技术状态，造成其工作特性恶化，进而影响发动机的正常工作。由于我国燃油品质较差，使电磁喷油器堵塞成为发动机电控燃油喷射系统的多发故障。行了分析，并总结了实际维修工作中针对喷油器堵塞故障的诊断方法和维修方法。希望能从另一个角度重新审视这—现象，对实际维修工作有所帮助。

复杂工况下基于时频图像和CNN-SVM的管道堵塞识别研究

针对复杂工况下管道系统堵塞状态识别模型精度出现偏差的问题,提出一种基于时频图像和卷积神经网络(CNN)对管道内的堵塞物和三通件个体识别方法。首先,利用声波检测管道得到不同工况的低频声压信号,滤波处理后进行平滑伪Wigner-Ville时频分析得到声信号时频分布图;然后,采用大津阈值分割法对单一和复杂工况时频分布图像进行自适应分割,得到堵塞物和三通件时频图像;最后,将单一工况下轻度堵塞、重度堵塞、三通件和管道尾端4种物体的时频图像输入至卷积神经网络-支持向量机(CNN-SVM)模型进行训练,将训练好参数的模型应用于复杂工况下不同程度堵塞物和三通件的自动识别。实验结果表明,所提出的方法对4类目标在复杂工况下的识别率均达到96%以上,识别精度高于传统人工特征提取的模型。验证了堵塞物在不同工况下对声波的影响具有共性,与三通件具有差异性;对复杂工况下管道中不同程度堵塞物和三通件个体进行分析,可以有效克服工况分布差异对模型识别精度造成的偏差。