内燃机缸盖振动传递特性研究

对内燃机缸盖系统的振动激励及表面振动信号的特性进行分析,建立了缸盖系统的振动模型。利用数字信号处理技术和模态实验方法,对不同情况下缸盖系统的动态传递函数和静态传递函数进行了分析比较。根据缸盖系统的动态传递函数设计反相滤波器,进行了直接由缸盖表面振动信号识别气缸压力的研究。     

内燃机高低压示功图测量误差分析

分析气门落座冲击、压力基准线确定、触发信号始点相位等对内燃机高、低压示功图测量分析的影响，根据气门落座引起的干扰信号可以间接确定气门关闭相位,提出根据充气效率、转速等参数来确定气缸压力基准线．     

内燃机高低压示功图测量误差分析

分析气门落座冲击，压力基准线确定，触发信号始点相位等对内燃机高，低压示功图测量分析的影响，根据气门落座引起的干扰信号可以间接确定气门关闭相位。提出根据充气效率，转速等参数来确定气缸压力基准线。     

内燃机气缸压力的振动信号倒谱识别方法

分析了内燃机缸盖系统的传递特性,提出了利用缸盖表面振动信号识别气缸压力的倒谱分析方法。通过倒谱开窗并进行平滑处理,使测量的振动信号和计算的传递函数更具鲁棒性,可以消除传感器测点位置和内燃机运行工况等敏感因素的影响。实验及分析结果表明了这种方法的可行性和有效性。     

内燃机气缸压力的振动信号倒谱识别方法

分析了内燃机缸盖系统的传递特性，提出了利用缸盖表面振动信号识别气缸压力的倒谱分析方法．通过倒谱开窗并进行平滑处理，使测量的振动信号和计算的传递函数更具鲁棒性，可以消除传感器测点位置和内燃机运行工况等敏感因素的影响．实验及分析结果表明了这种方法的可行性和有效性．     

基于振动时频图像和D-S证据理论的内燃机故障诊断

为抑制循环波动性对内燃机故障诊断结果的影响,引入D-S证据理论,提出一种基于内燃机振动时频图像、局部非负矩阵分解、BP神经网络和D-S证据理论的内燃机故障诊断新方法。首先采用平滑伪魏格纳分布(SPWVD)方法对8种不同气门状态的缸盖振动信号进行分析得到振动时频图像,然后用局部非负矩阵分解(LNMF)方法提取时频图像的特征参数并组成训练集和测试集,用得到的训练集对BP神经网络进行训练,再把测试集输入到训练好的BP神经网络,将输出的结果转化为基本概率赋值,用Deng加权平均证据合成规则对同种状态下不同图像的证据进行合成,并利用合成后的结果进行诊断分类。实例分析结果表明,基于振动时频图像和D-S证据理论的内燃机故障诊断方法可以有效抑制内燃机循环波动性对诊断结果的影响,能够准确诊断不同类型的气门故障。     

内燃机缸盖振动信号的特性与诊断应用研究

研究了内燃机缸盖振动信号的时域、频域和循环波动特性,揭示了它的非平稳时变特点,提出抽区间采样分析与参数平均相结合的振动诊断方法,并给出在气门间隙异常和气门漏气故障诊断中的应用实例     

内燃机缸盖振动信号的特性与诊断应用研究

研究了内燃机缸盖振动信号的时域,频域和循环波动特性,揭示了它的非平稳时变科技司,提出抽区间采样分析与参数平均相结合的振动诊断方法,并给出了在气门间隙异常和气门漏气故障诊断中的应用实例。     

基于IMF灵敏度分析的柴油机振动源影响规律

为了确定柴油机供油参数对振动源的影响,提出了振动信号IMF分量灵敏度分析方法.结合试验手段与信号处理技术,在IMF分量灵敏度理论分析的基础上建立了IMF分量灵敏度分析流程及计算模型,并采用该模型对模拟仿真信号与缸盖振动信号进行了计算分析.分析结果表明,模拟仿真信号验证了IMF分量灵敏度计算分析的有效性,同时,IMF分量的灵敏度分析能够有效识别与供油压力密切相关的振动源,从而实现了供油压力的合理选择,为柴油机振动控制提供了参考依据.     

多抽样率分析在柴油机气缸压力神经网络识别中的研究

利用柴油发动机缸盖振动信号识别气缸压力，对于柴油机故障诊断及运行状态监测是一个重要的环节，近年来，此类研究引起了相关学科的极大兴趣。在利用径向基神经网络对柴油机气缸压力的识别中牵涉到在一个周期内的采样点数的不同，极大地影响了在不同转速下识别气缸压力的适应性。因此，提出多抽样率分析，即根据缸盖振动信号的频带宽度，通过对原始信号的插值和抽取改变抽样频率，实现不同抽样点数的神经网络运算。     

内燃机缸套-活塞系统摩擦学与动力学行为耦合分析

建立了内燃机缸套—活塞系统油膜润滑与动力学行为的耦合分析模型，并用数值方法对单缸四冲程内燃机进行了仿真分析。在分析中同时考虑了活塞二阶运动和缸体振动对缸套—活塞间油膜润滑的影响。缸体结构振动响应用有限元法来计算，缸套和活塞间的流体润滑计算通过有限差分法求解平均雷诺方程进行，其中考虑了微凸体接触的作用。在考虑缸套—活塞油膜润滑与缸体结构振动、活塞二阶运动耦合作用的情况下，计算出了缸套—活塞间润滑油膜的最小油膜厚度、摩擦力、摩擦功耗等，同时也分析了活塞二阶运动的变化。通过与不考虑缸体振动时的相应结果对比表明：考虑缸体的结构振动后，缸套—活塞间的摩擦力和摩擦功耗减小，油膜厚度、活塞的二阶运动位移及速度增大。     

利用模式识别技术提高燃烧激励响应信号信噪比

针对实测缸盖表面振动信号中的耦合低频干扰信号,提出了在内燃机曲轴转角域建立往复惯性力激励响应信号模型的方法,利用模式识别技术辨识模型参数,剔除往复惯性力激励的影响,以提高燃烧激励响应信号的信噪比,并利用195型单缸柴油机的测试结果对所提出的方法进行验证.结果表明:选用压缩过程初期的数据进行模型参数辨识、采用4阶模型描述往复惯性力激励响应信号可以获得较为理想的效果;而瞬时转速波动对模型参数辨识的影响不显著;采用模式识别技术剔除往复惯性力激励响应信号后,实测的振动速度信号与压力升高率信号在峰值压力前后角度域内的相关性明显提高,从而验证了所提出方法的有效性.     

基于Bayes判别法的内燃机气门间隙故障诊断

以内燃机气门振动信号经过经验模态分解（EMD）方法得到的固有模态函数的关联维数作为判别因子,建立内燃机气门故障诊断Bayes判别分析模型.以内燃机气门故障诊断Bayes判别分析模型计算判别样品的Bayes判别函数值,以最大对应的总体作为样品所归属的总体.对判别准则进行了评价,检验该判别模型的优良性.研究表明：Bayes判别分析模型回判估计误判率很低,为内燃机气门间隙故障诊断识别提供了一种有效的定量化分析方法.     

基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法

针对柴油机缸盖振动信号非线性、非平稳的特点,以及传统故障诊断方法需要先验知识且特征提取费时费力的缺点,提出了一种基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法。首先通过复Morlet小波将柴油机缸盖振动信号转换为时频图,该变换包含了信号的时频域信息,比单一的时域或频域信号更适合分析柴油机缸盖振动这种非平稳信号;其次将时频图输入至AlexNet神经网络进行特征自动提取并建立故障诊断模型,解决了传统手工提取特征费时费力且需要专家经验的问题;然后通过Batch Normalization和Dropout技术改进网络结构,并优化神经网络超参数以提高模型的准确度和计算效率;最后将本文方法与传统的故障诊断方法应用于柴油机气门间隙异常故障诊断并进行对比,发现其诊断准确率最高,验证了所提方法的优越性。     

内燃机优化VMD-CWD时频表征与BSNMF编码识别诊断方法

针对内燃机振动响应信号强耦合、弱故障特征的问题,提出一种基于参数优化VMD-CWD内燃机振动时频表征与BSNMF分块编码识别的故障诊断方法.利用变分模态分解(VMD)将内燃机振动信号分解成一组本征模态函数(IMF),并叠加IMF分量信号的Choi-Williams分布(CWD)获得时频聚集性良好,无交叉项干扰的振动谱图像.针对VMD分解过程中的参数选取问题,引入功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性.为了实现内燃机振动谱图像的自动识别诊断,在稀疏非负矩阵分解(SNMF)的基础上提出一种更容易收敛的分块稀疏非负矩阵分解算法(BSNMF),用来对内燃机振动谱图进行特征提取,并采用支持向量机对提取的特征参数直接进行模式识别.将本文方法应用于内燃机故障诊断实例中,结果表明:该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机气门机构故障的自动诊断.     

缸套-活塞间隙与振动信号关联维数的关系评价

利用发动机气缸套振动信号特征评价气缸套-活塞组件磨损状态,建立了发动机气缸套、活塞、曲柄和连杆机构的动力学模型并进行了动力学仿真.然后又进行了气缸套表面振动分析,并对所得到的振动模拟信号进行了基于关联维数的信号特征评价.结果表明,随气缸套-活塞组件磨损间隙的增加,振动信号幅值增大,气缸套表面振动加速度信号的自相关程度变大,气缸套表面振动信号的关联维数有下降的趋势,这些关联性可以作为发动机气缸套-活塞组件磨损状态评价的特征量.     

超声振动对内燃机缸套摩擦润滑状态影响的研究

降低缸套-活塞组件的摩擦力是提高内燃机可靠性和耐久性的重要技术问题。在关于摩擦副减摩的研究与实践中,超声振动减摩因其良好的减摩性能得到了研究人员的广泛关注。为了研究超声振动对内燃机缸套组件摩擦润滑状态的影响,本文对比分析了在缸套外壁有、无超声激振条件下的内燃机摩擦损耗。通过对内燃机缸体进行结构改制,在内燃机倒拖试验台上引入超声激振设备,搭建了新型单缸内燃机的超声振动减摩试验台架。通过试验研究了内燃机缸套活塞组件在不同激励工况下的超声振动减摩情况。研究表明：施加高频振动后,缸套-活塞组件间出现了接近于粗糙度等级的动态变形,内燃机摩擦损耗较未激振前呈现出小幅降低。     

基于深度学习的柴油机气门健康状态评估

柴油发动机在运行过程中,其气门间隙会随其性能状态退化发生改变,为了解决传统的健康状态评估方法健康指标确定困难、权重人为经验依赖性大的问题,本文提出一种基于深度学习的柴油机气门健康状态评估方法。首先通过小波包分解算法对柴油机缸盖振动信号进行分解,对分解得到的节点信号分别提取常见的14个时域特征和小波包分解信号能量比向量,构建多维综合健康评估指标向量。然后基于一维卷积神经网络（One-Dimensional Convolutional Neural Network, 1DCNN）构建健康状态评估模型,将得到的健康评估指标向量输入模型中进行训练与健康状态评估。本文通过柴油机实验台开展气门退化模拟实验验证了该方法的有效性,与传统方法相比解决了健康指标的筛选问题以及人为主观经验带来的影响,并具有更好的健康状态评估效果。