一种基于IWOA-SVR-EEMD的共轨喷油器故障信号预处理方法技术

本发明专利技术的目的在于提供一种基于IWOA

【技术实现步骤摘要】
一种基于IWOA
‑
SVR
‑
EEMD的共轨喷油器故障信号预处理方法


[0001]本专利技术涉及的是一种柴油机故障处理方法，具体地说是喷油器故障处理方法。

技术介绍

[0002]共轨喷油器作为柴油机燃油系统的关键部件，其健康状态影响柴油机的整体性能，因此针对共轨喷油器的故障诊断方法研究是目前研究的热点；受喷油器工作环境的影响，从高压油管采集到的压力信号不可避免的含有很多噪声，甚至会掩盖掉故障信息而造成误诊，因此对共轨喷油器的故障信号进行预处理对后续的故障诊断工作有十分重要的意义。
[0003]传统的针对非平稳信号的预处理方法，往往采用小波阈值去噪或经验模态分解的方法，但小波基和阈值需要人为确定，且对去噪效果影响大。经验模态分解方法是一种自适应的时频分析方法，可以将复杂信号分解为有限的本征模态分量之和。但经验模态分解方法本身存在一些不足，如模式混叠、端点效应、停止条件等。集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)方法为经验模态分解方法的改进，且能抑制模态混叠现象。但端点效应仍然存在。端点效应是指样条函数在端点处由于失去极值点的约束而导致包络线发散的现象。这里引入基于支持向量回归的信号延拓方法延拓信号序列，抑制端点效应。由于支持向量回归(Support Vector Regression,SVR)预测模型的性能在很大程度上惩罚因子c和核函数参数g的影响，因此在模型建立中对c、g进行最优选择是相当重要的。群体智能算法在参数寻优方面得到广泛应用，鲸鱼优化算法(Whale Optimization Algorithm，WOA)原理简单易懂，所需手动调节设置的参数少的优点，但在收敛精度与跳出局部最优方面存在一定不足。

技术实现思路

[0004]本专利技术的目的在于提供能够实现共轨喷油器故障信号合理去噪的一种基于IWOA
‑
SVR
‑
EEMD的共轨喷油器故障信号预处理方法。
[0005]本专利技术的目的是这样实现的：
[0006]本专利技术一种基于IWOA
‑
SVR
‑
EEMD的共轨喷油器故障信号预处理方法，其特征是：
[0007](1)采集高压油管压力波动信号，将信号序列作为支持向量回归的训练样本，利用训练样本与改进的鲸鱼优化算法对支持向量机的惩罚因子c与核参数g参数寻优，构建支持向量机模型；
[0008](2)利用构建好的支持向量回归模型对训练样本信号进行端点延拓：对于给定的压力信号序列s(1),s(2)...s(N)，N为原始压力信号序列的采样点数，首先确定样本训练个数l，产生一个训练集L＝{(x1,y1),(x2,y2),...,(x
l
,y
l
)}，其中：
[0009]x
i
＝[s(i) s(i+1) ... s(N
‑
l+i
‑
1)]T
[0010]y
i
＝s(N
‑
l+i),1≤i≤l
[0011]预测第一个端点序列值，利用支持向量回归模型可得到边界外第一个预测值s(N+
1),即
[0012][0013]其中：x
l+1
＝[s(l+1) s(l+2) ... s(N)]T
然后逐步迭代，获得预测信号序列值；
[0014](3)使用集合经验模态分解的方法分解延拓后的信号序列，得到本征模态分量imf；
[0015](4)计算每个本征模态分量的皮尔逊积矩相关系数，公式如下：
[0016][0017]其中：ρ
i
代表imf
i
与原信号x(t)的皮尔逊积矩相关系数，σ(x)代表原信号序列方差，cov(
·
)表示原始信号序列与各分量的协方差；
[0018](5)根据各分量与原信号的相关性大小选择阈值，高于阈值的本征模态分量进行分量重构，输出经过去噪的高压油管压力信号，预处理结束。
[0019]本专利技术还可以包括：
[0020]1、步骤(1)中改进鲸鱼优化算法，具体步骤如下：
[0021](a)将支持向量回归的惩罚因子c与核参数g组成的向量作为鲸鱼种群的一个鲸鱼个体，设置鲸鱼群的初始化规模，初始化鲸鱼群位置，计算鲸鱼群体的适应度值；将适应度值最小的个体作为鲸鱼群体全局最优位置向量；
[0022](b)鲸鱼群迭代寻优：计算鲸鱼群熵值，并计算熵差，鲸鱼群体熵值计算公式如下：
[0023][0024]其中：S(t)为第t次迭代的熵值；N为鲸鱼种群的总个数；p(x
ti
)为鲸鱼群第t次迭代中第i个鲸鱼的权重，且
[0025][0026]其中：g
ti
为第t次迭代中第i个鲸鱼的适应度值；
[0027]熵差计算公式为：
[0028]d(t)＝S(t)
‑
S(t
‑
1)
[0029](c)计算惯性权重，并更新鲸鱼位置，惯性权重计算公式及鲸鱼位置更新公式如下：
[0030]惯性权重计算公式为：
[0031][0032]其中：ω(t)为鲸鱼群体第t次迭代的惯性权重值；ω
min
、ω
max
分别为惯性权重的最
小和最大值，T为最大迭代次数；
[0033]按照下式更新鲸鱼个体位置：
[0034][0035]其中：t为当前的迭代次数；X
t
为当前位置向量；为当前全局最优位置向量；D为最优个体位置与当前个体位置的距离，定义如下：
[0036][0037]系数向量A和C定义如下:
[0038]A＝2a
·
rand1‑
a
[0039]C＝2
·
rand2[0040]其中：rand1和rand2为[0，1]范围内均匀分布产生的随机数；a为收敛因子，随迭代次数t从2线性减小到0，即
[0041]a＝2
‑
2t/t
max
[0042]其中t
max
为最大迭代次数；
[0043](d)如果熵差d(t)小于阈值1
×
10
‑
10
或达到最大迭代次数则迭代结束，输出鲸鱼群体最佳位置向量。
[0044]本专利技术的优势在于：本专利技术结合IWOA、SVR与EEMD算法的优点，提出了基于IWOA
‑
SVR
‑
EEMD的信号去噪方法，运用SVR信号延拓方法抑制EEMD算法的端点效应问题，IWOA
‑
SVR参数寻优可以避免传统人工反复试错的过程，且IWOA算法不仅具备WOA算法原理简单易懂，所需手动调节设置的参数少的优点，而且相比于WOA算法，IWOA算法收敛速度更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于IWOA
‑
SVR
‑
EEMD的共轨喷油器故障信号预处理方法，其特征是：(1)采集高压油管压力波动信号，将信号序列作为支持向量回归的训练样本，利用训练样本与改进的鲸鱼优化算法对支持向量机的惩罚因子c与核参数g参数寻优，构建支持向量机模型；(2)利用构建好的支持向量回归模型对训练样本信号进行端点延拓：对于给定的压力信号序列s(1),s(2)...s(N)，N为原始压力信号序列的采样点数，首先确定样本训练个数l，产生一个训练集L＝{(x1,y1),(x2,y2),...,(x
l
,y
l
)}，其中：x
i
＝[s(i) s(i+1) ... s(N
‑
l+i
‑
1)]
T
y
i
＝s(N
‑
l+i),1≤i≤l预测第一个端点序列值，利用支持向量回归模型可得到边界外第一个预测值s(N+1),即其中：x
l+1
＝[s(l+1) s(l+2) ... s(N)]
T
然后逐步迭代，获得预测信号序列值；(3)使用集合经验模态分解的方法分解延拓后的信号序列，得到本征模态分量imf；(4)计算每个本征模态分量的皮尔逊积矩相关系数，公式如下：其中：ρ
i
代表imf
i
与原信号x(t)的皮尔逊积矩相关系数，σ(x)代表原信号序列方差，cov(
·
)表示原始信号序列与各分量的协方差；(5)根据各分量与原信号的相关性大小选择阈值，高于阈值的本征模态分量进行分量重构，输出经过去噪的高压油管压力信号，预处理结束。2.根据权利要求1所述的一种基于IWOA
‑
SVR
‑
EEMD的共轨喷油器故...

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