一种基于FOA-VMD和HDE的共轨喷油器故障诊断方法技术

本发明专利技术的目的在于提供一种基于FOA‑VMD和HDE的共轨喷油器故障诊断方法，首先采用压力传感器采集高压油管压力信号；然后利用FOA‑VMD对压力信号进行自适应分解，获得若干固有模态函数(IMF)分量；接着计算各IMF分量的层次离散熵，以各IMF熵值作为故障特征输入LSSVM多分类器中进行训练；最后采用训练后的LSSVM多分类器对测试样本进行故障诊断和模式识别，并输出故障诊断结果。本发明专利技术结合了FOA‑VMD自适应分解信号的特点以及HDE能全面准确的反映信号故障信息的优势，适用于不同的工业现场环境下的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。

【技术实现步骤摘要】
一种基于FOA-VMD和HDE的共轨喷油器故障诊断方法
本专利技术涉及的是一种柴油机故障诊断方法，具体地说是柴油机共轨喷油器故障诊断方法。
技术介绍
高压共轨柴油机作为一种生产和生活中重要的动力机械,在各个行业中扮演着不可或缺的角色，柴油机的正常运转是我们丰富生活的坚实保障。柴油机喷油器是柴油机的关键部件，其工作状态将直接影响柴油机的运行功率。由于喷油器在气缸内的高温高压环境下工作，故障频发，如喷嘴堵塞，电磁阀故障，针阀卡住等。喷油器的这些故障可能导致异常燃油喷射和每个气缸的不均匀运行，甚至导致燃烧效率进一步降低和废气排放更多。因此，对高压共轨柴油发动机喷油器进行故障诊断是十分有必要的。喷油器工作状态信息能通过共轨管燃油压力波来体现，但燃油压力波是非线性和非平稳信号，为了同时提取时域与频域信息，需要应用联合时频分析方法进行故障检测。Wigner-Ville分布(WVD)、小波变换(WT)、经验模式分解(EMD)和局部平均分解(LMD)等是常用的代表性方法。然而，各代表性方法在非平稳信号信息提取方面都存在一些固有缺陷。例如，WVD存在难以避免的交叉干扰项，成为其在信号处理领域广泛应用的阻碍。然而，不同于EMD、EEMD和LMD(局部均值分解)传统递归算法，VMD算法摆脱了传统信号分解的递归筛分剥离模式的约束，有着坚实的数学基础，可以缓解模态混叠和边界效应，还有运算效率高和鲁棒性强的优势。如何从非线性时间序列中提取故障特征信息是进行高压共轨喷油器故障诊断的关键。根据层次分析和离散熵的优越性，提出了基于层次熵与离散熵的层次离散熵(HierarchicalDiscreteEntropy,HDE)，该方法与多尺度样本熵、层次样本熵、多尺度模糊熵、层次模糊熵和多尺度离散熵相比，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。
技术实现思路
本专利技术的目的在于提供解决复杂的工况和噪声环境下共轨喷油器故障诊断精度低等问题的一种基于FOA-VMD和HDE的共轨喷油器故障诊断方法。本专利技术的目的是这样实现的：本专利技术一种基于FOA-VMD和HDE的共轨喷油器故障诊断方法，其特征是：(1)通过安装在高压油管的压力传感器采集高压油管压力波动信号，并将采集的压力信号分为训练信号和测试信号；(2)使用基于果蝇优化参数的VMD算法对压力信号进行自适应分解，获得最佳的固有模态函数分量；(3)计算得到IMF分量的层次离散熵，以HDE作为燃油压力信号故障特征；(4)以所有训练样本的HDE为特征向量输入最小二乘支持向量机多分类器进行训练；(5)采用训练后的最小二乘支持向量机多分类器对测试样本的HDE进行故障诊断和模式识别，并输出诊断结果。本专利技术还可以包括：1、步骤(1)中的高压油管压力波动信号包括喷油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞三种类型。2、步骤(2)中FOA-VMD是利用果蝇优化算法以能量增长因子e为目标函数寻求VMD参数最优值，能量增长因子e定义为当前分解数分量能量与上一个分解数分量的能量差与原始信号能量之比，通过下式计算得出：3、步骤(3)中的HDE计算是将IMF分量进行层次分析，然后计算各层次的离散熵，组成故障特征子集具体步骤如下：a、对燃油压力信号进行层次分析，基于向量定义时间序列u(i)每一层分解的节点分量如下：b、计算各层次的离散熵，熵值计算结果如下：HDE＝E(uk,e,m,c,d)＝[e1,e2,...,ee]T。4、步骤(4)、(5)中LSSVM采用RBF核函数进行分类，惩罚因子C＝1000。本专利技术的优势在于：本专利技术有效地利用FOA-VMD自适应分解信号的特点与HDE能全面准确的反映信号故障信息的优势，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是本专利技术的流程图；图2是FOA自动寻找VMD最优参数组的方法流程图；图3是三种喷油器状态的高压油管燃油压力信号图；图4是经过最佳参数组的VMD自适应分解的IMF分量信号图。具体实施方式下面结合附图举例对本专利技术做更详细地描述：结合图1-4，本专利技术一种基于FOA-VMD和HDE的共轨喷油器故障诊断方法，包括如下步骤：S1、通过安装在高压油管的压力传感器采集高压油管压力波动信号，并将采集的压力信号分为训练信号和测试信号；S2、使用基于果蝇优化参数的VMD算法对压力信号进行自适应分解，获得最佳的固有模态函数分量；S3、计算得到的IMF分量的层次离散熵，以HDE作为燃油压力信号故障特征；S4、以所有训练样本的HDE为特征向量输入最小二乘支持向量机多分类器进行训练；S5、采用训练后的最小二乘支持向量机多分类器对测试样本的HDE进行故障诊断和模式识别，并输出诊断结果。步骤S1中的高压油管压力波动信号包括喷油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞三种类型。步骤S2中的FOA-VMD是利用果蝇优化算法以能量增长因子e为目标函数寻求VMD参数最优值。能量增长因子e定义为当前分解数分量能量与上一个分解数分量的能量差与原始信号能量之比，可以通过下式计算得出：步骤S3中的HDE计算是将IMF分量进行层次分析，然后计算各层次的离散熵，组成故障特征子集。HDE计算步骤如下：(1)对燃油压力信号进行层次分析，基于向量定义时间序列u(i)每一层分解的节点分量如下：(2)计算各层次的离散熵，熵值计算结果如下：HDE＝E(uk,e,m,c,d)＝[e1,e2,...,ee]T步骤S4、S5中的LSSVM采用RBF核函数进行分类，惩罚因子C＝1000。根据图1所示，本专利技术一种基于基于FOA-VMD和HDE的共轨喷油器故障诊断算法，其具体步骤如下：S1、通过安装在高压油管的压力传感器采集高压油管压力波动信号，并将采集的压力信号分为训练信号和测试信号。S2、使用基于果蝇优化参数的VMD算法对压力信号进行自适应分解，获得最佳的固有模态函数分量。具体步骤如图2所示，可描述如下：第一步：首先将种群规模sizepop，迭代次数maxgen的最大值赋值。令sizepop＝10，maxgen＝20。第二步：初始化果蝇群体的初始位置坐标，根据参数的变化范围初始化果蝇个体的初始位置。其中分解数K的范围为1-10，惩罚参数α的范围为200-6000。InitX_axis，InitY_axis。第三步：根据果蝇搜寻食物的行为给果蝇赋予觅食的随机方向和距离，随机距离的选取要根据初始坐标来定，一般差两个数量级。第四步：由于无法得知食物的位置，因此先估计与原点的距离(Dist)，再计算味道浓度判定值(Si)，此值为距离的倒数。第五步：味道浓度判定值(S本文档来自技高网...

【技术保护点】
1.一种基于FOA-VMD和HDE的共轨喷油器故障诊断方法，其特征是：/n(1)通过安装在高压油管的压力传感器采集高压油管压力波动信号，并将采集的压力信号分为训练信号和测试信号；/n(2)使用基于果蝇优化参数的VMD算法对压力信号进行自适应分解，获得最佳的固有模态函数分量；/n(3)计算得到IMF分量的层次离散熵，以HDE作为燃油压力信号故障特征；/n(4)以所有训练样本的HDE为特征向量输入最小二乘支持向量机多分类器进行训练；/n(5)采用训练后的最小二乘支持向量机多分类器对测试样本的HDE进行故障诊断和模式识别，并输出诊断结果。/n

【技术特征摘要】
1.一种基于FOA-VMD和HDE的共轨喷油器故障诊断方法，其特征是：
(1)通过安装在高压油管的压力传感器采集高压油管压力波动信号，并将采集的压力信号分为训练信号和测试信号；
(2)使用基于果蝇优化参数的VMD算法对压力信号进行自适应分解，获得最佳的固有模态函数分量；
(3)计算得到IMF分量的层次离散熵，以HDE作为燃油压力信号故障特征；
(4)以所有训练样本的HDE为特征向量输入最小二乘支持向量机多分类器进行训练；
(5)采用训练后的最小二乘支持向量机多分类器对测试样本的HDE进行故障诊断和模式识别，并输出诊断结果。


2.根据权利要求1所述的一种基于FOA-VMD和HDE的共轨喷油器故障诊断算法，其特征在于：步骤(1)中的高压油管压力波动信号包括喷油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞三种类型。


3.根据权利要求1所述的一种基于FOA-VMD和HDE的共轨喷油器故障诊断算法，其特征在于：步骤(2...

【专利技术属性】
技术研发人员：宋恩哲，柯赟，姚崇，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23