CN112761843A - 一种共轨喷油器故障诊断方法 - Google Patents

一种共轨喷油器故障诊断方法 Download PDF

Info

Publication number
CN112761843A
CN112761843A CN202110188029.7A CN202110188029A CN112761843A CN 112761843 A CN112761843 A CN 112761843A CN 202110188029 A CN202110188029 A CN 202110188029A CN 112761843 A CN112761843 A CN 112761843A
Authority
CN
China
Prior art keywords
common rail
signal
pressure
fault
fault diagnosis
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.)
Pending
Application number
CN202110188029.7A
Other languages
English (en)
Inventor
宋恩哲
柯赟
姚崇
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202110188029.7A priority Critical patent/CN112761843A/zh
Publication of CN112761843A publication Critical patent/CN112761843A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M65/00—Testing fuel-injection apparatus, e.g. testing injection timing ; Cleaning of fuel-injection apparatus
    • F02M65/003—Measuring variation of fuel pressure in high pressure line
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M55/00—Fuel-injection apparatus characterised by their fuel conduits or their venting means; Arrangements of conduits between fuel tank and pump F02M37/00
    • F02M55/02—Conduits between injection pumps and injectors, e.g. conduits between pump and common-rail or conduits between common-rail and injectors
    • F02M55/025—Common rails
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M61/00—Fuel-injectors not provided for in groups F02M39/00 - F02M57/00 or F02M67/00
    • F02M61/16—Details not provided for in, or of interest apart from, the apparatus of groups F02M61/02 - F02M61/14
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M65/00—Testing fuel-injection apparatus, e.g. testing injection timing ; Cleaning of fuel-injection apparatus

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuel-Injection Apparatus (AREA)

Abstract

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。

Description

一种共轨喷油器故障诊断方法
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；
(2)使用改进的EEMD算法对所有压力信号进行自适应分解，降低冗余信号干扰；
(3)计算滤波后压力信号的层次加权排列熵，即HWPE，以信息熵值作为压力信号的故障特征；
(4)将所有训练样本的信息熵值作为特征向量输入支持向量机多分类器中，用来训练SVM分类模型；
(5)将所有测试样本的信息熵值输入训练完成的SVM多分类器中，输出共轨喷油器故障分类识别结果。
本发明还可以包括：
1、步骤(1)中模拟的共轨喷油器工作状态包括喷油器正常工况、喷油器针阀卡滞和喷油器喷孔堵塞。
2、步骤(2)中的改进的EEMD的具体方法为：
A、将原始信号经过中值滤波，消除信号脉冲噪声；
B、对滤波后的信号进行EEMD分解，得到IMF分量。
C、利用小波软阈值去噪的方法对IMF分量进行去噪处理，t为软限幅函数的阈值，
Figure BDA0002943934690000031
σ是噪声的方差，L是含噪信号的长度；通过软限幅函数实现去噪，软限幅函数如下。
Figure BDA0002943934690000032
其中cj(t)为IMF分量，η(cj(t))为经过阈值处理过的IMF分量。
3、步骤(3)中的HWPE计算是对滤波后的油管压力信号进行层次分析，然后计算各层次的加权排列熵，组成共轨喷油器故障特征向量，HWPE计算方法如下：
a、给定长度为N的时间序列{u(i),i＝1,2,...,N}，定义平均算子Q0和Q1如下：
Figure BDA0002943934690000033
Figure BDA0002943934690000034
其中：N＝2n，n是正整数，算子Q0和算子Q1的长度为2n-1，根据平均算子Q0和Q1原始序列重构为
u＝{(Q0(u)j+Q1(u)j),(Q0(u)j-Q1(u)j)},j＝0,1,2,...,2n-1
当j＝0或j＝1时，定义矩阵Qj算子如下
Figure BDA0002943934690000035
b、构造一个n维向量[γ1,γ2,...,γn]∈{0,1}，则整数e表示为
Figure BDA0002943934690000041
式中，正整数e对应的向量是[γ1,γ2,...,γn]；
c、基于向量[γ1,γ2,...,γn]，定义时间序列u(i)每一层分解的节点分量如下
Figure BDA0002943934690000042
式中，k表示层次分割中的k层，原始时间序列u(i)在k+1层的低频和高频部分分别用uk,0和uk,1表示；
d、令每层时间序列为U＝{u1,u2,…,uN}进行相空间重构得到一系列子序列
Figure BDA0002943934690000043
Figure BDA0002943934690000044
其中，m为嵌入维数，τ为时间延迟，K为重构分量的个数，且K＝N-(m-1)τ，将每个重构子序列中的元素按照其数值的大小进行升序排列，每个重构子序列按升序排列后得到一组符号序列πi＝[k1,k2,…,km]；
e、计算出每个子序列的权重值ωi：
Figure BDA0002943934690000045
Figure BDA0002943934690000046
f、任意子序列
Figure BDA0002943934690000047
的特征信息由权重值ωi和排列模式πi进行表示，对于该时间序列U共有K种排列模式，每种排列模式πi的加权概率值为：
Figure BDA0002943934690000048
g、根据信息熵的定义，计算时间序列U的加权排列熵WPE值：
Figure BDA0002943934690000051
h、计算节点e和k层的层次组件的WPE，以获得HWPE：
HWPE＝WPE(uk,e,m,τ)。
4、步骤(4)、(5)中的SVM均采用RBF核函数进行分类，惩罚因子C＝1000。
本发明的优势在于：本发明有效地利用改进的EEMD自适应滤波的特点与HWPE能全面准确的反映信号故障特征的优势，适用于在复杂工况和噪声环境下完成共轨喷油器故障诊断，具有故障诊断准确率高和抗干扰性强的优点。
附图说明
图1为本发明的流程图；
图2为基于FOA-VMD和HDE的共轨喷油器故障诊断算法流程图；
图3为三种喷油器状态的高压油管燃油压力信号图；
图4为经过改进的EEMD自适应分解的IMF分量信号图；
图5为基于改进的EEMD和HWPE的支持向量机多分类器故障诊断结果图。
具体实施方式
下面结合附图举例对本发明做更详细地描述：
结合图1-5，本发明提供一种基于改进的EEMD和HWPE的共轨喷油器故障诊断方法，算法流程如图2所示，包括如下步骤：
S1、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，燃油压力信号如图3所示。并且将采集的压力信号分为训练信号和测试信号；
S2、使用改进的EEMD算法对所有压力信号进行自适应分解，降低冗余信号干扰；改进的EEMD分解结果如图4所示，可描述如下：
(1)预处理，将原始信号经过中值滤波，消除信号脉冲噪声。中值滤波的基本原理是把信号序列中一点的值用该点的一个邻域中各点值的中值代替，尽可能接近真实值，从而消除孤立的噪声点。算法过程：1)通过从信号中的某个采样窗口取出奇数个数据进行排序；2)用排序后的中值取代要处理的数据即可。
(2)EEMD分解，对滤波后的信号进行EEMD分解，得到若干IMF分量。
(3)信号去噪，利用小波软阈值去噪的方法对IMF分量进行去噪处理，t为软限幅函数的阈值，
Figure BDA0002943934690000061
σ是噪声的方差，L是含噪信号的长度。通过软限幅函数实现去噪，软限幅函数如下。
Figure BDA0002943934690000062
其中cj(t)为IMF分量，η(cj(t))为经过阈值处理过的IMF分量。
S3、计算滤波后压力信号的层次加权排列熵(HWPE)，以信息熵值作为压力信号的故障特征。HWPE的计算过程可描述如下：
(1)给定长度为N的时间序列{u(i),i＝1,2,...,N}，定义平均算子Q0和Q1如下：
Figure BDA0002943934690000063
Figure BDA0002943934690000064
其中：N＝2n，n是正整数。算子Q0和算子Q1的长度为2n-1。根据平均算子Q0和Q1原始序列可重构为
u＝{(Q0(u)j+Q1(u)j),(Q0(u)j-Q1(u)j)},j＝0,1,2,...,2n-1
当j＝0或j＝1时，定义矩阵Qj算子如下
Figure BDA0002943934690000065
(2)构造一个n维向量[γ1,γ2,...,γn]∈{0,1}，则整数e可表示为
Figure BDA0002943934690000066
式中，正整数e对应的向量是[γ1,γ2,...,γn]。
(3)基于向量[γ1,γ2,...,γn]，定义时间序列u(i)每一层分解的节点分量如下
Figure BDA0002943934690000067
式中，k表示层次分割中的k层，原始时间序列u(i)在k+1层的低频和高频部分分别用uk,0和uk,1表示。
(4)令每层时间序列为U＝{u1,u2,…,uN}进行相空间重构得到一系列子序列
Figure BDA0002943934690000071
Figure BDA0002943934690000072
其中，m为嵌入维数，τ为时间延迟，K为重构分量的个数，且K＝N-(m-1)τ，N为时间序列长度。将每个重构子序列中的元素按照其数值的大小进行升序排列，每个重构子序列按升序排列后可以得到一组符号序列πi＝[k1,k2,…,km]。
(5)计算出每个子序列的权重值ωi；
Figure BDA0002943934690000073
Figure BDA0002943934690000074
(6)任意子序列
Figure BDA0002943934690000075
的特征信息由权重值ωi和排列模式πi进行表示。对于该时间序列U共有K种排列模式，每种排列模式πi的加权概率值为；
Figure BDA0002943934690000076
(7)根据信息熵的定义，计算时间序列U的加权排列熵WPE值；
Figure BDA0002943934690000077
(8)计算节点e和k层的层次组件的WPE，以获得HWPE，
HWPE＝WPE(uk,e,m,τ)
S4、将所有训练样本的信息熵值作为特征向量输入支持向量机多分类器中，用来训练SVM分类模型；
S5、将所有测试样本的信息熵值输入训练完成的SVM多分类器中，输出共轨喷油器故障分类识别结果。分类结果如图5所示。

Claims (5)

1.一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；
(2)使用改进的EEMD算法对所有压力信号进行自适应分解，降低冗余信号干扰；
(3)计算滤波后压力信号的层次加权排列熵，即HWPE，以信息熵值作为压力信号的故障特征；
(4)将所有训练样本的信息熵值作为特征向量输入支持向量机多分类器中，用来训练SVM分类模型；
(5)将所有测试样本的信息熵值输入训练完成的SVM多分类器中，输出共轨喷油器故障分类识别结果。
2.根据权利要求1所述的一种共轨喷油器故障诊断方法，其特征是：步骤(1)中模拟的共轨喷油器工作状态包括喷油器正常工况、喷油器针阀卡滞和喷油器喷孔堵塞。
3.根据权利要求1所述的一种共轨喷油器故障诊断方法，其特征是：步骤(2)中的改进的EEMD的具体方法为：
A、将原始信号经过中值滤波，消除信号脉冲噪声；
B、对滤波后的信号进行EEMD分解，得到IMF分量。
C、利用小波软阈值去噪的方法对IMF分量进行去噪处理，t为软限幅函数的阈值，
Figure FDA0002943934680000011
σ是噪声的方差，L是含噪信号的长度；通过软限幅函数实现去噪，软限幅函数如下。
Figure FDA0002943934680000012
其中cj(t)为IMF分量，η(cj(t))为经过阈值处理过的IMF分量。
4.根据权利要求1所述的一种共轨喷油器故障诊断方法，其特征是：步骤(3)中的HWPE计算是对滤波后的油管压力信号进行层次分析，然后计算各层次的加权排列熵，组成共轨喷油器故障特征向量，HWPE计算方法如下：
a、给定长度为N的时间序列{u(i),i＝1,2,...,N}，定义平均算子Q0和Q1如下：
Figure FDA0002943934680000021
Figure FDA0002943934680000022
其中：N＝2n，n是正整数，算子Q0和算子Q1的长度为2n-1，根据平均算子Q0和Q1原始序列重构为
u＝{(Q0(u)j+Q1(u)j),(Q0(u)j-Q1(u)j)},j＝0,1,2,...,2n-1
当j＝0或j＝1时，定义矩阵Qj算子如下
Figure FDA0002943934680000023
b、构造一个n维向量[γ1,γ2,...,γn]∈{0,1}，则整数e表示为
Figure FDA0002943934680000024
式中，正整数e对应的向量是[γ1,γ2,...,γn]；
c、基于向量[γ1,γ2,...,γn]，定义时间序列u(i)每一层分解的节点分量如下
Figure FDA0002943934680000027
式中，k表示层次分割中的k层，原始时间序列u(i)在k+1层的低频和高频部分分别用uk,0和uk,1表示；
d、令每层时间序列为U＝{u1,u2,…,uN}进行相空间重构得到一系列子序列
Figure FDA0002943934680000025
Figure FDA0002943934680000026
其中，m为嵌入维数，τ为时间延迟，K为重构分量的个数，且K＝N-(m-1)τ，将每个重构子序列中的元素按照其数值的大小进行升序排列，每个重构子序列按升序排列后得到一组符号序列πi＝[k1,k2,…,km]；
e、计算出每个子序列的权重值ωi：
Figure FDA0002943934680000031
Figure FDA0002943934680000032
f、任意子序列
Figure FDA0002943934680000033
的特征信息由权重值ωi和排列模式πi进行表示，对于该时间序列U共有K种排列模式，每种排列模式πi的加权概率值为：
Figure FDA0002943934680000034
g、根据信息熵的定义，计算时间序列U的加权排列熵WPE值：
Figure FDA0002943934680000035
h、计算节点e和k层的层次组件的WPE，以获得HWPE：
HWPE＝WPE(uk,e,m,τ)。
5.根据权利要求1所述的一种共轨喷油器故障诊断方法，其特征是：步骤(4)、(5)中的SVM均采用RBF核函数进行分类，惩罚因子C＝1000。
CN202110188029.7A 2021-02-18 2021-02-18 一种共轨喷油器故障诊断方法 Pending CN112761843A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110188029.7A CN112761843A (zh) 2021-02-18 2021-02-18 一种共轨喷油器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110188029.7A CN112761843A (zh) 2021-02-18 2021-02-18 一种共轨喷油器故障诊断方法

Publications (1)

Publication Number Publication Date
CN112761843A true CN112761843A (zh) 2021-05-07

Family

ID=75705577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110188029.7A Pending CN112761843A (zh) 2021-02-18 2021-02-18 一种共轨喷油器故障诊断方法

Country Status (1)

Country Link
CN (1) CN112761843A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114810448A (zh) * 2022-04-12 2022-07-29 哈尔滨工程大学 一种基于小波变换的高压天然气缸内直喷发动机燃气喷射过程时间在线分析方法
CN116122977A (zh) * 2022-09-23 2023-05-16 烟台哈尔滨工程大学研究院 一种基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170224238A1 (en) * 2016-02-10 2017-08-10 Regents Of The University Of Minnesota Graphically mapping rotors in a heart
US20180283391A1 (en) * 2017-03-30 2018-10-04 General Electric Company Systems and methods for compressor anomaly prediction
CN109299727A (zh) * 2018-08-04 2019-02-01 辽宁大学 信息重构的改进极限学习机故障诊断方法
CN110146269A (zh) * 2019-05-28 2019-08-20 河海大学 基于eemd的多尺度模糊熵的oltc故障诊断方法
CN110259616A (zh) * 2019-06-19 2019-09-20 南京航空航天大学 基于可测数据特征的柴油机共轨系统喷油器故障检测方法
CN111191740A (zh) * 2020-01-10 2020-05-22 福州大学 一种滚动轴承故障诊断方法
CN111380680A (zh) * 2020-03-10 2020-07-07 昆明理工大学 一种基于改进排列熵的单向阀故障特征提取方法
CN111520267A (zh) * 2019-12-30 2020-08-11 哈尔滨工程大学 一种基于foa-vmd和hde的共轨喷油器故障诊断方法
CN111738309A (zh) * 2020-06-03 2020-10-02 哈尔滨工业大学 多尺度分析和集成学习的气敏传感器故障模式识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170224238A1 (en) * 2016-02-10 2017-08-10 Regents Of The University Of Minnesota Graphically mapping rotors in a heart
US20180283391A1 (en) * 2017-03-30 2018-10-04 General Electric Company Systems and methods for compressor anomaly prediction
CN109299727A (zh) * 2018-08-04 2019-02-01 辽宁大学 信息重构的改进极限学习机故障诊断方法
CN110146269A (zh) * 2019-05-28 2019-08-20 河海大学 基于eemd的多尺度模糊熵的oltc故障诊断方法
CN110259616A (zh) * 2019-06-19 2019-09-20 南京航空航天大学 基于可测数据特征的柴油机共轨系统喷油器故障检测方法
CN111520267A (zh) * 2019-12-30 2020-08-11 哈尔滨工程大学 一种基于foa-vmd和hde的共轨喷油器故障诊断方法
CN111191740A (zh) * 2020-01-10 2020-05-22 福州大学 一种滚动轴承故障诊断方法
CN111380680A (zh) * 2020-03-10 2020-07-07 昆明理工大学 一种基于改进排列熵的单向阀故障特征提取方法
CN111738309A (zh) * 2020-06-03 2020-10-02 哈尔滨工业大学 多尺度分析和集成学习的气敏传感器故障模式识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114810448A (zh) * 2022-04-12 2022-07-29 哈尔滨工程大学 一种基于小波变换的高压天然气缸内直喷发动机燃气喷射过程时间在线分析方法
CN116122977A (zh) * 2022-09-23 2023-05-16 烟台哈尔滨工程大学研究院 一种基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法

Similar Documents

Publication Publication Date Title
CN111709292B (zh) 基于递归图和深度卷积网络的压气机振动故障检测法
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
CN111042917B (zh) 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法
CN111520267A (zh) 一种基于foa-vmd和hde的共轨喷油器故障诊断方法
CN112761843A (zh) 一种共轨喷油器故障诊断方法
CN114062511B (zh) 一种基于单传感器的航空发动机早期损伤声发射智能识别方法
CN108153987A (zh) 一种基于超限学习机的液压泵多故障诊断方法
CN113947114A (zh) 基于Transformer神经网络和轴心轨迹的燃气轮机转子故障诊断方法
Liu et al. Composite multi-scale basic scale Entropy based on CEEMDAN and its application in hydraulic pump fault diagnosis
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
Hamdaoui et al. Improved signal processing for bearing fault diagnosis in noisy environments using signal denoising, time–frequency transform, and deep learning
CN110222386A (zh) 一种行星齿轮退化状态识别方法
Li et al. Review of research on signal decomposition and fault diagnosis of rolling bearing based on vibration signal
Wang et al. An improved MSCNN and GRU model for rolling bearing fault diagnosis
CN112183260A (zh) 一种基于总变差降噪与rqa的单向阀故障诊断方法
Yu et al. Sparse time–frequency representation for the transient signal based on low-rank and sparse decomposition
CN116122977A (zh) 一种基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法
CN115733673B (zh) 一种基于多尺度残差分类器的数据异常检测方法
CN117454081A (zh) 一种机械振动信号的去噪处理方法及装置
Dubaish et al. Comparative Analysis of SVM and ANN for Machine Condition Monitoring and Fault Diagnosis in Gearboxes.
Qi et al. A new deep fusion network for automatic mechanical fault feature learning
CN112610344B (zh) 一种基于ceemd和改进层次离散熵的共轨喷油器故障诊断方法
Du et al. Motor bearing fault diagnosis based on hilbert-huang transform and convolutional neural networks
CN115901281A (zh) 一种lng发动机燃气喷射阀故障诊断方法及系统
CN117574056B (zh) 基于混合神经网络模型的广域电磁数据去噪方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210507

RJ01 Rejection of invention patent application after publication