CN112098102B - 一种基于ewt-scwt的内燃机异响识别与诊断方法 - Google Patents

一种基于ewt-scwt的内燃机异响识别与诊断方法 Download PDF

Info

Publication number
CN112098102B
CN112098102B CN202010921853.4A CN202010921853A CN112098102B CN 112098102 B CN112098102 B CN 112098102B CN 202010921853 A CN202010921853 A CN 202010921853A CN 112098102 B CN112098102 B CN 112098102B
Authority
CN
China
Prior art keywords
abnormal sound
internal combustion
combustion engine
frequency
ewt
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010921853.4A
Other languages
English (en)
Other versions
CN112098102A (zh
Inventor
孟浩东
何建军
刘天军
廖连莹
戴旭东
张忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Shaofeng Sealing Technology Co ltd
Changzhou Institute of Technology
Original Assignee
Changzhou Shaofeng Sealing Technology Co ltd
Changzhou Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Shaofeng Sealing Technology Co ltd, Changzhou Institute of Technology filed Critical Changzhou Shaofeng Sealing Technology Co ltd
Priority to CN202010921853.4A priority Critical patent/CN112098102B/zh
Publication of CN112098102A publication Critical patent/CN112098102A/zh
Application granted granted Critical
Publication of CN112098102B publication Critical patent/CN112098102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/12—Testing internal-combustion engines by monitoring vibrations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing Of Engines (AREA)

Abstract

本发明公开了一种基于EWT‑SCWT的内燃机异响识别与诊断方法，能准确提取内燃机激励输入与异响输出信号的时频相关细节特征、定位识别异响辐射部位以及进一步诊断内燃机异响产生的原因，其中改进的EWT方法不仅能避免模式混叠、端点效应现象，而且能从噪声环境中准确提取内燃机异响信号特征分量，提高信号分离的可靠性；EWT‑SCWT方法能很好地消除交叉干扰项以及激励输入与异响输出分量中的噪声成分，精确提取两者之间时频局部化信息的相关特征，进一步提高对内燃机异响的识别与诊断能力。

Description

一种基于EWT-SCWT的内燃机异响识别与诊断方法
技术领域
本发明涉及内燃机故障诊断技术，特别是一种基于EWT-SCWT的内燃机异响识别与诊断方法。
背景技术
内燃机作为典型的往复-旋转运动相互转换的动力机械，由于振动激励源多，传递路径复杂，运动部件多，致使其动力学响应特性复杂。当某些零部件如活塞、连杆、曲轴、正时齿轮以及气门等由于磨损、配合间隙增大、零件松动、刚度薄弱等原因，受内燃机转速、负荷、温度及润滑等影响因素，会影响内燃机的激励特性和传递特性，致使其产生活塞敲缸异响、曲轴主轴承与连杆轴承异响、齿轮室及气门异响、结构共振异响等异响。因此，内燃机异响信号中蕴含着大量关键零部件运行状态的信息，通过对内燃机异响进行定位识别与多信息诊断分析，可以明确内燃机异响产生部位、了解其运行状态，并对其进行状态监测及故障诊断。相比人工听诊法、时域状态参数统计法、频域分析法等内燃机异响识别与诊断传统方法，基于现代信号处理技术的时频综合分析法更适用于内燃机非平稳、非线性时变振声信号的时频域局部化信息特征提取，能消除其他噪声干扰，提高对异响的检测与辨识能力。目前，基于内燃机异响识别与诊断的时频综合分析法主要有集总平均经验模式分解方法(Ensemble Empirical Mode Decomposition，EEMD)、变分模态分解方法(VariationalMode Decomposition，VMD)、经验小波变换(Empirical Wavelet Transform，EWT)等理论方法。EEMD方法存在由于每次经验模式分解产生的本征模分量(Intrinsic Mode Function，IMF)个数不同导致的较大平均误差以及由于增大集成次数导致的较大计算量等问题，尤其在噪声环境中提取有用信号分量时效果不理想。VMD方法由于需要预设分解数，而当噪声复杂多变以及噪声分量较多时，存在难以确定分解数与声源分离精度低等缺点。基于小波变换和窄带信号分析理论的EWT方法的提出，不仅避免了模态混叠、端点效应问题，而且能从噪声环境中自适应分解各个本征模分量，一方面提高了信噪比和信号分离的可靠性，另一方面降低了计算复杂度从而提高了计算速度。同时，为有效提取内燃机异响信号经EWT分解所得本征模分量，需根据内燃机噪声信号的先验知识，合理确定异响信号分解滤波器组的频率边界和模态数；采用后处理方法去除信号中的伪本征模分量。为了解决上述问题，河南工业大学的胡毅伟等提出了一种基于包络分析的阈值分割修整方法来确定EWT的模态数和频率边界，使得信号的频谱分割更简便、可靠，实现了对早期发动机转子故障特征的准确提取。火箭军工程大学的范宇等提出了利用EWT方法对分解出的内燃机振动信号的本征模分量进行小波阈值降噪再进行同步压缩小波时频特征提取，提高了信号时频分辨率。
综上所述，从基于时变非平稳特性、非线性的内燃机异响信号出发，本发明专利提出了一种基于EWT-SCWT的内燃机异响识别与诊断方法，将改进的EWT方法、同步压缩-交叉小波变换(Synchrosqueezed-Cross Wavelet Transforms，SCWT)相结合，分离与识别内燃机异响信号、提取异响时频特征信息；定位异响辐射部位、分析异响与激励相关特性，进一步诊断异响产生原因。
发明内容
针对现有技术中存在的问题，本发明提供了一种能准确提取内燃机激励输入与异响输出信号的时频相关细节特征、定位识别异响辐射部位以及进一步诊断内燃机异响产生的原因，能从噪声环境中准确提取内燃机异响信号特征分量，提高信号分离的可靠性；能很好地消除交叉干扰项以及激励输入与异响输出分量中的噪声成分，精确提取两者之间时频局部化信息的相关特征，进一步提高对内燃机异响的识别与诊断能力的基于EWT-SCWT的内燃机异响识别与诊断方法。
本发明的目的通过以下技术方案实现。
一种基于EWT-SCWT的内燃机异响识别与诊断方法，步骤包括：
步骤1：在柴油机工作工况下，利用声学传感器拾取内燃机异响信号，采用客观心理学参数指标法对比正常状态下内燃机声学信号，判断异响；
步骤2：首先采用谱峭度准则获取内燃机异响信号频谱结构的先验知识，确定EWT方法设置分解的模态数和频率边界，然后采用EWT方法对异响信号进行自适应分解，再利用频谱熵筛选本征模分量，提取异响信号特征模分量；
步骤3：采用SWT方法提取异响信号特征分量的时频特征信息，根据其时频细节特征，利用近场声压扫描法定位识别内燃机异响部位；
步骤4：利用加速度传感器同时拾取此工况下内燃机异响部位的振动信号，按照步骤2获取其振动信号特征模分量，采用SCWT方法进一步提取激励输入与异响输出之间的时频相关特征，诊断内燃机异响的产生与传播机理。
所述步骤1：在柴油机工作工况下，利用声学传感器测量获得一组柴油机前端噪声信号y(t)，基于声品质评价指标，采用比较法判断柴油机前端是否产生异响，所述声品质评价指标包括响度和尖锐度。
所述步骤2中采用EWT方法对确定的柴油机异响信号y(t)进行自适应性分解，包括以下步骤：
2-1：基于谱峭度准则确定谱分割区间：首先计算异响信号的谱峭度，其频域计算公式表示为SK(f)＝E{|Y(f)|4}/E{|Y(f)|2}2–2，式中Y(f)＝FFT{y(t)}，其中FFT为快速傅里叶变换操作符，E为期望操作符；然后根据谱峭度峰值及相应频率区间，确定所需预先设置EWT分解的模态数K和频率边界[f1,…,fn]，n＝1,…,K-1；
2-2：经EWT分解异响信号y(t)所得的所有本征模分量IMF：
Figure BDA0002666998600000031
式中
Figure BDA0002666998600000032
φn定义为经验小波的尺度函数，ψn定义为经验小波的小波函数；<·>为内积操作符；*为卷积操作符；j＝0,…,N；
基于频谱熵判别准则：分别计算各本征模分量的频谱熵，计算公式表示为
Figure BDA0002666998600000033
中qi为第i个频谱在整个谱中所占的百分比；根据谱熵极小值min(Hf)，结合本征模分量频谱特性，选取主要本征模分量IMFj；
采用SWT方法对主要本征模分量时域信号yIMFj进行同步压缩小波变换时频分析，其计算式为
Figure BDA0002666998600000034
式子中A(b)＝{a；Wy(a,b)≥γ}，a为尺度因子，b为平移因子，t为时间，ψ*(t)为小波基ψ(t)的共轭，ω1为中心频率，阈值γ与信号采样点数及噪声方差有关。
所述步骤3根据对内燃机前端异响信号的时频细节特征识别结果，首先采用近场声压法对前端辐射部位进行频率扫描，定位找到了引起前端异响的齿轮室盖；在此基础上，利用加速度传感器同时拾取此工况下齿轮室盖的振动信号，然后按照步骤2获取其振动信号x(t)的主要特征模分量，并采用SWT方法提取其时频特征Tx(ω1,b)。
所述步骤4采用SCWT方法进一步诊断分析齿轮室盖振动激励特征分量与柴油机前端异响输出特征分量的相关性，其计算式表示为
Figure BDA0002666998600000035
式中*表示共轭操作符。
相比于现有技术，本发明的优点在于：
(1)基于谱峭度与频谱熵分析相结合的改进EWT方法能克服经验模式分解方法中端点效应与模式混叠问题，同时较好地解决EWT分解模态数和频率边界参数预设置问题。
(2)SCWT是连续交叉小波变换的改进方法，能解决WT方法不能同时分析输入-输出相互影响的两信号时频相关性问题，克服CWT方法时频聚集性和可读性差等问题，消除交叉干扰项的影响，减少在尺度域上能量扩散，提高信号信噪比和时频分辨率。
(3)将改进的EWT方法与SCWT方法相结合，能解决内燃机异响信号关键时频局部化特征的提取问题，从多时间尺度的角度能提高对激励-响应信号的时频细节特征提取精度，提高对内燃机异响的辨识度。
附图说明
图1是本发明基于EWT-SCWT的内燃机异响识别与诊断方法流程图。
图2是柴油机异响信号与正常信号的时域图，其中采用响度与粗糙度指标进行评价对比与判断。
图3是采用本发明基于谱峭度准则分析柴油机异响信号频谱结构，确定频谱分割区间。
图4是比较采用本发明基于EWT-SWT方法与EEMD方法分解与提取柴油机异响信号特征分量。
图5是采用本发明采用近场声压扫描法定位柴油机前端异响辐射部位-正时齿轮室盖，基于EWT-SWT方法分解与提取齿轮室盖振动激励响应信号特征分量。
图6是比较采用本发明基于EWT-SCWT方法与CWT方法提取齿轮室盖振动激励输入与柴油机异响输出之间时频相关特征。
具体实施方式
下面结合说明书附图和具体的实施例，对本发明作详细描述。
如图1所示，一种基于EWT-SCWT的内燃机异响识别与诊断方法，步骤包括：
步骤1：在柴油机工作工况下，利用声学传感器拾取内燃机异响信号，采用客观心理学参数指标法对比正常状态下内燃机声学信号，判断异响；
步骤2：首先采用谱峭度准则获取内燃机异响信号频谱结构的先验知识，确定EWT方法设置分解的模态数和频率边界，然后采用EWT方法对异响信号进行自适应分解，再利用频谱熵筛选本征模分量，提取异响信号特征模分量；
步骤3：采用SWT方法提取异响信号特征分量的时频特征信息，根据其时频细节特征，利用近场声压扫描法定位识别内燃机异响部位；
步骤4：利用加速度传感器同时拾取此工况下内燃机异响部位的振动信号，按照步骤2获取其振动信号特征模分量，采用SCWT方法进一步提取激励输入与异响输出之间的时频相关特征，诊断内燃机异响的产生与传播机理。
在柴油机工作工况下，利用声学传感器测量获得一组柴油机前端噪声信号y(t)，基于声品质评价指标(如响度、尖锐度)采用比较法判断柴油机前端是否产生异响，实例评价对比结果如图2所示。
采用EWT方法对确定的柴油机异响信号y(t)进行自适应性分解，包含以下子过程：
(1)基于谱峭度准则确定谱分割区间：首先计算异响信号的谱峭度，其频域计算公式表示为
SK(f)＝E{|Y(f)|4}/E{|Y(f)|2}2–2，式中Y(f)＝FFT{y(t)}，其中FFT为快速傅里叶变换操作符，E为期望操作符；然后根据谱峭度峰值及相应频率区间，确定所需预先设置EWT分解的模态数K和频率边界[f1,…,fn]，n＝1,…,K-1，实例分析结果如图3所示。
(2)经EWT分解异响信号y(t)所得的所有本征模分量IMF：
①
Figure BDA0002666998600000051
式中
Figure BDA0002666998600000052
φn定义为经验小波的尺度函数，ψn定义为经验小波的小波函数；<·>为内积操作符；*为卷积操作符；j＝0,…,N。
②基于频谱熵判别准则：分别计算各本征模分量的频谱熵，计算公式表示为
Figure BDA0002666998600000053
中qi为第i个频谱在整个谱中所占的百分比；根据谱熵极小值min(Hf)，结合本征模分量频谱特性，选取主要本征模分量IMFj，实例选取结果如图4(a)所示。
③采用SWT方法对主要本征模分量时域信号yIMFj进行同步压缩小波变换时频分析，其计算式为
Ty(ω1,b)＝∫A(b)Wy(a,b)a-3/2da，
Figure BDA0002666998600000054
式子中A(b)＝{a；Wy(a,b)≥γ}，a为尺度因子，b为平移因子，t为时间，ψ*(t)为小波基ψ(t)的共轭，ω1为中心频率，阈值γ与信号采样点数及噪声方差有关。实例时频分析结果如图4(a)所示，相比较EEMD方法时频分析结果如图4(b)，基于EWT-SWT方法在噪声环境下能有效消除模式混叠问题，时频分辨率高。
根据对内燃机前端异响信号的时频细节特征识别结果，首先采用近场声压法对前端辐射部位进行频率扫描，定位找到了引起前端异响的齿轮室盖；在此基础上，利用加速度传感器同时拾取此工况下齿轮室盖的振动信号，然后按照过程2获取其振动信号x(t)的主要特征模分量，并采用SWT方法提取其时频特征Tx(ω1,b)，实例分析结果如图5所示。
综上识别结果，采用SCWT方法进一步诊断分析齿轮室盖振动激励特征分量与柴油机前端异响输出特征分量的相关性，其计算式表示为
Figure BDA0002666998600000061
式中上标“*”表示共轭操作符。实例激励输入与异响输出之间的时频相关性结果如图6所示，相比较CWT方法，新方法能精准定位反映两者共同能量分布的特征频率，消除其他干扰成分，提高信噪比。

Claims (5)

1.一种基于EWT-SCWT的内燃机异响识别与诊断方法，其特征在于步骤包括：
步骤1：在柴油机工作工况下，利用声学传感器拾取内燃机异响信号，采用客观心理学参数指标法对比正常状态下内燃机声学信号，判断异响；
步骤2：首先采用谱峭度准则获取内燃机异响信号频谱结构的先验知识，确定EWT方法设置分解的模态数和频率边界，然后采用EWT方法对异响信号进行自适应分解，再利用频谱熵筛选本征模分量，提取异响信号特征模分量；
步骤3：采用SWT方法提取异响信号特征分量的时频特征信息，根据其时频细节特征，利用近场声压扫描法定位识别内燃机异响部位；
步骤4：利用加速度传感器同时拾取此工况下内燃机异响部位的振动信号，按照步骤2获取其振动信号特征模分量，采用SCWT方法进一步提取激励输入与异响输出之间的时频相关特征，诊断内燃机异响的产生与传播机理。
2.根据权利要求1所述的一种基于EWT-SCWT的内燃机异响识别与诊断方法，其特征在于所述步骤1：在柴油机工作工况下，利用声学传感器测量获得一组柴油机前端噪声信号y(t)，基于声品质评价指标，采用比较法判断柴油机前端是否产生异响，所述声品质评价指标包括响度和尖锐度。
3.根据权利要求1或2所述的一种基于EWT-SCWT的内燃机异响识别与诊断方法，其特征在于所述步骤2中采用EWT方法对确定的柴油机异响信号y(t)进行自适应性分解，包括以下步骤：
2-1：基于谱峭度准则确定谱分割区间：首先计算异响信号的谱峭度，其频域计算公式表示为SK(f)＝E{|Y(f)|4}/E{|Y(f)|2}2–2，式中Y(f)＝FFT{y(t)}，其中FFT为快速傅里叶变换操作符，E为期望操作符；然后根据谱峭度峰值及相应频率区间，确定所需预先设置EWT分解的模态数K和频率边界[f1,…,fn]，n＝1,…,K-1；
2-2：经EWT分解异响信号y(t)所得的所有本征模分量IMF：
Figure FDA0002666998590000011
式中
Figure FDA0002666998590000012
φn定义为经验小波的尺度函数，ψn定义为经验小波的小波函数；<·>为内积操作符；*为卷积操作符；j＝0,…,N；
基于频谱熵判别准则：分别计算各本征模分量的频谱熵，计算公式表示为
Figure FDA0002666998590000013
中qi为第i个频谱在整个谱中所占的百分比；根据谱熵极小值min(Hf)，结合本征模分量频谱特性，选取主要本征模分量IMFj；
采用SWT方法对主要本征模分量时域信号yIMFj进行同步压缩小波变换时频分析，其计算式为Ty(ω1,b)＝∫A(b)Wy(a,b)a-3/2da，
Figure FDA0002666998590000021
式子中A(b)＝{a；Wy(a,b)≥γ}，a为尺度因子，b为平移因子，t为时间，ψ*(t)为小波基ψ(t)的共轭，ω1为中心频率，阈值γ与信号采样点数及噪声方差有关。
4.根据权利要求3所述的一种基于EWT-SCWT的内燃机异响识别与诊断方法，其特征在于所述步骤3根据对内燃机前端异响信号的时频细节特征识别结果，首先采用近场声压法对前端辐射部位进行频率扫描，定位找到了引起前端异响的齿轮室盖；在此基础上，利用加速度传感器同时拾取此工况下齿轮室盖的振动信号，然后按照步骤2获取其振动信号x(t)的主要特征模分量，并采用SWT方法提取其时频特征Tx(ω1,b)。
5.根据权利要求4所述的一种基于EWT-SCWT的内燃机异响识别与诊断方法，其特征在于所述步骤4采用SCWT方法进一步诊断分析齿轮室盖振动激励特征分量与柴油机前端异响输出特征分量的相关性，其计算式表示为
Figure FDA0002666998590000022
式中*表示共轭操作符。
CN202010921853.4A 2020-09-04 2020-09-04 一种基于ewt-scwt的内燃机异响识别与诊断方法 Active CN112098102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010921853.4A CN112098102B (zh) 2020-09-04 2020-09-04 一种基于ewt-scwt的内燃机异响识别与诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010921853.4A CN112098102B (zh) 2020-09-04 2020-09-04 一种基于ewt-scwt的内燃机异响识别与诊断方法

Publications (2)

Publication Number Publication Date
CN112098102A CN112098102A (zh) 2020-12-18
CN112098102B true CN112098102B (zh) 2022-12-20

Family

ID=73757785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010921853.4A Active CN112098102B (zh) 2020-09-04 2020-09-04 一种基于ewt-scwt的内燃机异响识别与诊断方法

Country Status (1)

Country Link
CN (1) CN112098102B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883521B (zh) * 2021-01-12 2023-04-07 中国科学院声学研究所南海研究站 应用于海底观测网的海底光电复合缆外力入侵监测系统
CN114235137A (zh) * 2021-11-30 2022-03-25 江铃汽车股份有限公司 基于发动机缸体内部振动信号时频分析的异响诊断方法
CN115452392B (zh) * 2021-11-30 2023-08-08 广州汽车集团股份有限公司 一种车辆发动机故障声学诊断方法及系统
CN117091848B (zh) * 2023-10-20 2024-02-20 潍柴动力股份有限公司 一种基于声信号的发动机异响识别方法、装置及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012251851A (ja) * 2011-06-02 2012-12-20 Mitsubishi Electric Corp 異常音診断装置
CN107356843A (zh) * 2017-04-17 2017-11-17 武汉科技大学 基于分层阈值同步挤压小波的变压器局部放电故障诊断方法
JP2019027814A (ja) * 2017-07-26 2019-02-21 株式会社ディーゼルユナイテッド 振動音響解析方法及び装置と機器異常部位推定方法及び装置
CN110633696A (zh) * 2019-09-30 2019-12-31 常州工学院 一种基于ceemdan-ica-swt的柴油机振源多信息联合识别方法
CN110991481A (zh) * 2019-10-31 2020-04-10 河海大学 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012251851A (ja) * 2011-06-02 2012-12-20 Mitsubishi Electric Corp 異常音診断装置
CN107356843A (zh) * 2017-04-17 2017-11-17 武汉科技大学 基于分层阈值同步挤压小波的变压器局部放电故障诊断方法
JP2019027814A (ja) * 2017-07-26 2019-02-21 株式会社ディーゼルユナイテッド 振動音響解析方法及び装置と機器異常部位推定方法及び装置
CN110633696A (zh) * 2019-09-30 2019-12-31 常州工学院 一种基于ceemdan-ica-swt的柴油机振源多信息联合识别方法
CN110991481A (zh) * 2019-10-31 2020-04-10 河海大学 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
同步压缩_交叉小波变换及滚动轴承故障特征增强;李继猛等;《计量学报》;20180331;第39卷(第2期);第237-241页 *
基于爆发噪声信号的内燃机失火故障诊断研究;王华民等;《内燃机工程》;20041231;第25卷(第1期);第47-50页 *

Also Published As

Publication number Publication date
CN112098102A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112098102B (zh) 一种基于ewt-scwt的内燃机异响识别与诊断方法
Wang et al. Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension
Delvecchio et al. Vibro-acoustic condition monitoring of Internal Combustion Engines: A critical review of existing techniques
Wu et al. Continuous wavelet transform technique for fault signal diagnosis of internal combustion engines
Lei et al. Fault diagnosis of rotating machinery using an improved HHT based on EEMD and sensitive IMFs
Yang et al. Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey
CN102095560B (zh) 基于噪声测试的机械故障判别方法
Gao et al. Rolling bearing compound fault diagnosis based on parameter optimization MCKD and convolutional neural network
Zhang et al. A new feature extraction approach using improved symbolic aggregate approximation for machinery intelligent diagnosis
CN103558029A (zh) 一种发动机异响故障在线诊断系统和诊断方法
CN109855874B (zh) 一种声音辅助振动微弱信号增强检测的随机共振滤波器
CN109932179A (zh) 一种基于ds自适应谱重构的滚动轴承故障检测方法
CN105865794B (zh) 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法
CN112461934B (zh) 一种基于声发射的航空发动机叶片裂纹源定位方法
CN114705426A (zh) 一种滚动轴承早期故障诊断方法
KR20200075148A (ko) 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법
CN109374293B (zh) 一种齿轮故障诊断方法
CN109684898A (zh) 航空发动机及其振动信号盲分离方法和装置
US5821412A (en) Apparatus and method for processing engine measurements
CN104359685A (zh) 一种柴油机故障识别方法
Wei et al. Intelligent fault diagnosis of rotating machinery using ICD and generalized composite multi-scale fuzzy entropy
CN116304751A (zh) 用于动车组部件检修的运行数据处理方法
Li et al. Fault Diagnosis Method Based on Modified Multiscale Entropy and Global Distance Evaluation for the Valve Fault of a Reciprocating Compressor.
CN113689038B (zh) 一种基于多传感器模糊评估的发动机气缸故障预测方法
CN114235137A (zh) 基于发动机缸体内部振动信号时频分析的异响诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant