基于加窗和卷积神经网络的柴油机拉缸故障诊断

柴油机发生拉缸故障时,其振动信号较为复杂,而且伴有较强的背景噪声。为实现柴油机拉缸故障诊断,提出了基于加窗和卷积神经网络(Convolution Neural Network,CNN)的方法,实现了端到端的故障模式识别。首先将已产生拉缸故障的活塞缸套装入6-135柴油机,进行拉缸故障试验,测取典型工况下机体表面的加速度信号;然后根据柴油机的结构和配气相位分布,分析确定加速度信号的加窗位置并进行加窗处理,得到加窗后信号样本,分为训练集和测试集;再将训练集输入到CNN中不断学习,更新模型参数;最后将训练好的CNN模型应用于测试集,输出故障识别结果。结果表明:基于加窗和CNN的方法可以有效地实现柴油机拉缸故障的诊断。

基于加窗和EEMD的船用柴油机拉缸故障诊断

船用柴油机发生拉缸故障时,其振动信号较为复杂,而且伴有较强的背景噪声,经验模态分解(Empirical Mode Decomposition,EMD)无法有效地诊断出柴油机拉缸故障,为此采用加窗和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的方法。以6-135柴油机为研究对象,测取典型工况下机体表面的加速度信号,根据柴油机的结构和配气相位分布,分析确定加速度信号的加窗位置,再将加窗后的信号进行EEMD处理,计算前3阶模态分量的能量值并对重构信号进行频谱分析。结果表明:基于加窗和EEMD的方法可以更加精确有效地实现柴油机拉缸故障的诊断。