針對單一信號通道反映故障信息不全面、不準確的問題,提出利用多元變分模態(tài)分解（MVMD）處理多通道信號提取故障特征,實現故障診斷。首先通過構建多分量調制仿真信號,分析比較MEMD、NAMEMD和MVMD的分解效果,然后利用MVMD對柴油機4個通道振動信號進行自適應分解,提取每層分量的能量分布作為故障特征,最后利用支持向量機對不同失火故障進行了識別。結果表明,MVMD在抑制模態(tài)混疊和分解效率上均優(yōu)于其他兩種算法,且能夠有效識別柴油機不同類型失火故障。 

【文章來源】：車用發(fā)動機. 2020,(06)北大核心

【文章頁數】：7 頁

【部分圖文】：

仿真信號時頻域波形

從圖2至圖4的頻域波形可以看出,MEMD、NAMEMD、MVMD均能對多元仿真信號進行自適應分解,得到能夠反映特征頻率的IMF分量,且不同信道的同一頻率成分在同階IMF中體現,即模式對齊。在MEMD分解得到的特征IMF組中,模態(tài)混疊現象較為嚴重,且邊頻帶幅值較大,有明顯的噪聲成分。特征頻率f3同時出現在第4、5階特征IMF組中,特征頻率f5同時出現在第5、6階特征IMF組中,調幅信號x1、調頻信號x2的邊頻帶明顯,且影響到諧波信號x3,在IMF6中出現35 Hz(f5-f1)頻率成分。在NAMEMD分解得到的特征IMF組中,因添加了2個信道的噪聲同時參與分解,噪聲成分有所改善,削弱了分解過程中的模態(tài)混疊現象,特征頻率較MEMD相對突出,但沒有完全克服MEMD的不足。在MVMD分解得到的特征IMF組中,前3階IMF組分別體現了x3、x2、x1的頻率成分,特征頻率的幅值更為清晰明顯,克服了模態(tài)混疊現象,僅存在部分幅值較小的邊頻帶成分,噪聲信號基本消失。MEMD和NAMEMD在分解過程中均存在不同程度的模態(tài)混疊,導致特征頻率并不明顯,進而影響柴油機的故障識別,MVMD能夠有效地克服上述情況,準確提取特征頻率,實現故障診斷。目前故障診斷向著在線化、實時化的趨勢發(fā)展,對比三種算法的計算時間得出,MVMD的計算時間更短,計算效率更高,能夠實現在線診斷、實時監(jiān)測,有效地提高診斷效率,也為實現柴油機早期故障及時預警提供技術支撐。圖3 NAMEMD分解后第4～6階IMF組時頻域波形

NAMEMD分解后第4～6階IMF組時頻域波形

【參考文獻】：
期刊論文
[1]基于小波包特征提取和模糊熵特征選擇的柴油機故障分析[J]. 蔣佳煒,胡以懷,柯赟,陳彥臻.  振動與沖擊. 2020(04)
[2]基于MEMD-MMFE的雙饋風電場送出變壓器勵磁涌流識別方法[J]. 李春艷,周念成,廖建權,王強鋼,孟瀟瀟.  中國電機工程學報. 2019(17)
[3]隨機丟棄和批標準化的深度卷積神經網絡柴油機失火故障診斷[J]. 張康,陶建峰,覃程錦,李衛(wèi)星,劉成良.  西安交通大學學報. 2019(08)
[4]柴油機振動信號快速稀疏分解與二維特征編碼[J]. 王旭,岳應娟,蔡艷平.  振動.測試與診斷. 2019(01)
[5]柴油機振動信號自適應分解方法的比較[J]. 賈繼德,任剛,賈翔宇,韓佳佳.  汽車工程. 2018(10)
[6]一種適用于發(fā)動機振動信號的時頻分析方法[J]. 賈繼德,吳春志,賈翔宇,任剛,韓佳佳.  汽車工程. 2017(01)
[7]基于MEMD和ELM的飛機機翼健康狀態(tài)預測技術[J]. 崔建國,徐舲宇,于明月,蔣麗英,王景霖,林澤力.  北京航空航天大學學報. 2017(08)
[8]基于噪聲輔助多元經驗模態(tài)分解和多尺度形態(tài)學的滾動軸承故障診斷方法[J]. 武哲,楊紹普,任彬,馬新娜,張建超.  振動與沖擊. 2016(04)



本文編號：3590791