[发明专利]一种共轨喷油器故障诊断方法

说明书

本发明的目的在于提供一种共轨喷油器故障诊断方法，第一步信号采集，采用高压油管压力信号作为喷油器故障源信号；第二步信号预处理，利用改进的EEMD分解方法对油管压力信号进行滤波处理；第三步故障特征提取，计算滤波后油管压力信号的层次加权排列熵，以信息熵值作为喷油器故障特征指标；第四步训练分类器，利用得到的信息熵值训练SVM多分类器；第五步分类识别，将测试样本的信息熵值作为特征向量输入训练完成的SVM多分类器中，输出共轨喷油器故障识别分类结果。本发明提高了共轨喷油器故障诊断的准确率和智能化水平，可以实时监测共轨喷油器工作状态，提高柴油机运行可靠性。

技术领域

本发明涉及的是一种柴油机诊断方法，具体地说是柴油机的喷油器诊断方法。

背景技术

高压共轨柴油机是通过电磁阀控制喷油器来实现燃油喷射规律的柔性控制。由于喷油器处于缸内高温、高压环境，易发生故障，而喷油器故障易导致柴油机燃烧恶化、动力性能、经济性能和可靠性能下降，有害排放物增多。因此，对柴油机喷油器进行故障诊断是具有重大意义的。由于振动信号包含许多干扰信息，导致故障特征提取复杂，易造成误诊或漏诊。而共轨管的燃油压力波动可以直接反映喷油器喷射过程信息，因此选择共轨管燃油压力为故障信号源。

而燃油压力波是非平稳信号，必须采用联合时频分析方法进行处理，例如小波变换和EMD分解。基于小波变换的降噪方法，对非平稳信号降噪，要比传统的滤波降噪方法效果好，但小波基的选择和阈值的确定对去噪效果有较大影响。Huang等提出一种新的非平稳信号处理方法——经验模式分解(Empirical Mode Decomposition，EMD)，EMD是一种完全基于数据驱动的自适应分解方法，能将信号从高频到低频分解成有限个具有物理意义的固有模式函数(Intrinsic Mode Function，IMF)和余项之和。但EMD本身存在一些不足，如模式混叠、端点效应、停止条件等。模式混叠是指1个IMF中包含差异极大的特征时间致相邻的2个IMF波形混叠，相互影尺度，或者相近的特征时间尺度分布在不同的IMF，导致相邻的2个IMF波形混叠，相互影响，难以辨别。集合经验模态分解(EEMD)为EMD方法的改进，且能抑制EMD中模态混叠现象。由于燃油压力波信号信噪比较低，经过EEMD分解，模态混叠的影响还是比较明显，为了进一步消除模态混叠的影响，提出改进的EEMD算法与小波去噪处理结合的方法，即对原始信号首先进行中值滤波，消除原始信号中的脉冲信号，再进行EEMD分解，然后对得到IMF分量进行小波软阈值去噪处理，消除随机噪声和高频连续噪声。

由于燃油压力波通常表征为非平稳和非线性信号，因此，如何从非平稳和非线性信号中提取故障特征信息是实现共轨喷油器故障诊断的关键。近些年来，众多衡量机械动力学系统的非线性时间序列复杂性方法相继被提出，并被应用于故障诊断领域，例如近似熵、样本熵、模糊熵和排列熵等。排列熵(Permutation Entropy,PE)基于时间序列结构的有序模式来量化动态变化，由于其理论上的简单性和快速的计算能力，PE在时间序列复杂性分析中得到了广泛的应用。但PE算法仅利用时间序列的序数结构，忽视其幅值信息，因此，Bilal等在PE的基础上提出了加权排列熵(Weighted Permutation Entropy,WPE)。然而WPE仅考虑单一尺度上时间序列的复杂性，忽视了其他尺度上的有用信息，因此，YIN等将WPE与多尺度熵相结合，提出了多尺度加权排列熵(Multiscale Weighted PermutationEntropy,MWPE)，但是多尺度加权排列熵仅考虑时间序列的低频成分，忽略了时间序列的高频部分。

发明内容

本发明的目的在于提供既能考虑原始序列的高频与低频分量，又能提高抗干扰性和信号带宽变化灵敏度的一种共轨喷油器故障诊断方法。

本发明的目的是这样实现的：

本发明一种共轨喷油器故障诊断方法，其特征是：

(1)模拟共轨喷油器不同工作状态，通过安装在高压油管上的夹持式压力传感器来采集高压油管压力波动信号，并且将采集的压力信号分为训练信号和测试信号；