Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Trích Xuất Đặc Trưng Lỗi của Động Cơ Diesel Dựa Trên Kích Thước Fractal Của Hình Ảnh Bispectrum
Tóm tắt
Việc trích xuất đặc trưng lỗi có tác động tích cực đến việc chẩn đoán chính xác cho động cơ diesel. Hiện nay, các nghiên cứu về trích xuất đặc trưng lỗi tập trung vào miền thời gian hoặc miền tần số của tín hiệu. Tuy nhiên, tín hiệu lỗi ban đầu chủ yếu là tín hiệu năng lượng yếu, và các đặc trưng miền thời gian hoặc miền tần số thường bị chìm trong tiếng ồn nền mạnh. Để đảm bảo các đặc trưng nhất quán được trích xuất và đại diện chính xác cho trạng thái của động cơ, việc ước lượng bispectrum được sử dụng để phân tích tính không tuyến tính, không Gauss và thông tin kết hợp pha bậc hai (QPC) của các tín hiệu rung động của động cơ dưới các điều kiện khác nhau. Xử lý hình ảnh số và lý thuyết fractal được sử dụng để trích xuất các đặc trưng fractal từ hình ảnh bispectrum. Các kết quả cho thấy bispectrum của tín hiệu rung động động cơ diesel dưới các điều kiện làm việc khác nhau thể hiện sự khác biệt rõ rệt và bispectrum phức tạp nhất nằm ở trạng thái bình thường. Kích thước fractal của các tín hiệu không hợp lệ rất mới mẻ và đa dạng, các tham số fractal được sử dụng để tách biệt và đặc trưng hóa chúng. Giá trị của kích thước fractal nhất quán với cường độ không Gauss của tín hiệu, vì vậy nó có thể được sử dụng như một giá trị riêng trong chẩn đoán lỗi, và cũng được xem như một chỉ số cường độ tín hiệu không Gauss. Do đó, một phương pháp triệu chứng dựa trên kết quả giả thuyết được suy luận và kiểm chứng bởi việc phân tích các tín hiệu rung động từ động cơ diesel. Nghiên cứu được đề xuất cung cấp cơ sở cho việc theo dõi trực tuyến và chẩn đoán lỗi hệ thống van.
Từ khóa
#trích xuất đặc trưng lỗi #động cơ diesel #bispectrum #hình ảnh fractal #chẩn đoán lỗiTài liệu tham khảo
G Gelle, M Colas, C Serviere. Blind source separation: a tool for rotating machine monitoring by vibration analysis. Journal of Sound & Vibration, 2001, 248(5): 865–885.
K Shibata, A T Takahashi. Fault diagnosis of rotating machinery through visualization of sound signals. Mechanical Systems and Signal Processing, 2000, 14(14): 229–241.
Z M Geng, J Chen, J B Hull. Analysis of engine vibration and design of an applicable diagnosis approach. International Journal of Mechanical Sciences, 2013, 45(8): 1391–1410.
W Q Wang, I Fathy, M F Golnaraghi. Assessment of gear damage monitoring techniques using vibration measurements. Mechanical Systems and Signal Processing, 2001, 15(5): 905–922.
H Z Gao, L Liang, X G Chen, et al. Feature extraction and recognition for rolling element bearing fault utilizing short-time Fourier transform and non-negative matrix factorization. Chinese Journal of Mechanical Engineering, 2015, 28(1): 96–105.
J P Shao, H J Jia. Feature extraction of vibration signals based on wavelet packet transform. Chinese Journal of Mechanical Engineering, 2004, 17(1): 25–27.
Y G Lei, Z J He, Y Y Zi, et al. New clustering algorithm-based fault diagnosis using compensation distance evaluation technique. Mechanical System and Signal Processing, 2008, 22(2): 419–435.
X G Chen, L Liang, G H Xu, et al. Feature extraction of kernel regress reconstruction for fault diagnosis based on self-organizing manifold learning. Chinese Journal of Mechanical Engineering, 2013, 26(5): 1041–1049.
J D Wu, J C Chen. Continuous wavelet transform technique for fault signal diagnosis of internal combustion engines. Ndt&E International, 2006, 39(4): 304–311.
W T Peter, W X Yang, H Y Tam. Machine fault diagnosis through an effective exact wavelet analysis. Journal of Vibration & Acoustics, 2004, 227(4‒5): 1005–1024.
X Wang, C W Liu, F R Bi, et al. Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension. Mechanical Systems and Signal Processing, 2013, 41(1): 581–597.
B Liang, S D Iwnicki, Y Zhao. Application of power spectrum, higher order spectrum and neural network analyses for induction motor fault diagnosis. Mechanical Systems and Signal Processing, 2013, 39(1–2): 342–360.
M Li, J H Yang, X J Wang. Fault feature extraction of rolling bearing based on an improved cyclical spectrum density method. Chinese Journal of Mechanical Engineering, 2015, 28(6): 1240–1247.
M J Zhang, J Tang, X M Zhang, et al. Intelligent diagnosis of short hydraulic signal based on improved EEMD and SVM with few low-dimensional training samples. Chinese Journal of Mechanical Engineering, 2016, 29(2): 396–405.
K J Shi, S L Liu, C Jiang, et al. Rolling bearing feature frequency extraction using extreme average envelope decomposition. Chinese Journal of Mechanical Engineering, 2016, 29(5): 1029–1036.
F S Gu, A Naid, N Q Hu, et al. Electrical motor current signal analysis using modified bispectrum for fault diagnosis of reciprocating compressors. Condition Monitoring & Diagnostic Engineering Management, San Sebastian, Spain, June 9–11, 2009.
F A Gu, Y Shao, N Q Hu, et al. Electrical motor current signal analysis using modified bispectrum for fault diagnosis of downstream mechanical equipment. Mechanical Systems and Signal Processing, 2011, 25(1): 360–372.
G J Shen, S Mclaughlin, Y C Xu, et al. Theoretical and experimental analysis of bispectrum of vibration signals for fault diagnosis of gears. Mechanical Systems and Signal Processing, 2014, 43 (s1-2): 76–89.
F Z Feng, A W Si, H X Zhang. Research on fault diagnosis of diesel engine based on bispectrum analysis and genetic neural network. Procedia Engineering, 2011, 15(1): 2454–2458.
H M Zhao, C Y Xia, Y K Xiao, et al. Bispectrum analysis for vibration data of crankshaft cearing in diesel engine. Journal of Vibration, Measurement & Diagnosis, 2009, 29(1): 14–18. (in Chinese).
T Li, S Chen, Q Tang, et al. Fault Diagnosis for valve train of diesel engine based on bispectrum estimation via non-gaussian AR model. Chinese Internal Combustion Engine Engineering, 2010, 31(1): 82–87. (in Chinese)
Y Liu, L Y Chen, H M Wang, et al. An improved differential box-counting method to estimate fractal dimensions of gray-level images. Journal of Visual Communication and Image Representation, 2014, 25(5): 1102–1111.
J Guo, X Guo, P F Luo. A new method for antomatic target recognition. Proceeding of the IEEE Nation Aerospace and Electronics Conference NAECON, Dayton, OH, Jul 14–18, 1997, 2: 1019–1024.
D R Brillinger. An introduction to polyspectra. Annals of Mathematical Statistics, 1965, 36(5): 1351–1374.
D R Brillinger. Some basic aspects and uses of higher order spectra. Signal Process, 1994, 36(3) 239–249.
N Otsu. A threshold selection method from gray-level histograms. IEEE Transactions on Systems Man & Cybernetics, 1979, 9(1): 62–66.
Y Y Duan, L Wang, H Z Chen, Digital image analysis and fractal-based kinetic modelling for fungal biomass determination in solid-state fermentation. Biochemical Engineering Journal, 2012, 67(1): 60–67.
L Zhao, Z D Zhou, Y Yang, et al. Feature extraction of rolling bearing fault based on ensemble empirical mode decomposition and correlation dimension. International Manufacturing Science and Engineering Conference, Detroit, Michigan, USA, June 9–13, 2014.
J Theiler. Estimating fractal dimension. Journal of the Optical Society of America A, 1990, 7(6): 1055–1073.
D P Donnelly, L Boddy, J R Leake. Development, persistence and regeneration of foraging ectomycorrhizal mycelial systems in soil microcosms. Mycorrhiza, 2004, 14(1): 37–45.