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

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
技术领域
1.本发明属于机械故障诊断技术，尤其涉及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。


背景技术：

2.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。
3.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的模态混叠现象。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。
4.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 permutation entropy,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。基于此，本发明提出了一种基于层次分析的和加权排列熵融合的层次加权排列熵
(hierarchical weighted permutation entropy,hwpe)，该方法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。
5.通过上述分析，现有技术存在的问题及缺陷为：
6.1、燃油压力波是非平稳非线性信号，必须采用联合时频分析方法进行处理，eemd是一种完全基于数据驱动的自适应分解方法，但其本身存在模态混叠问题，导致信号分解效果不佳，故障诊断精度下降，造成误判或漏判。
7.2、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。
8.解决以上问题及缺陷的难度为：
9.1、eemd的缺陷是由于自身算法流程导致的，因此需要优化算法流程，对信号分解后的波形进行自适应延拓是非常有必要的。
10.2、现有的多尺度分析方法仅能考虑低频分量，无法考虑高频分量，因此需要开发一种新方法同时考虑低频分量与高频分量。
11.解决以上问题及缺陷的意义为：
12.本专利提出了一种新的共轨喷油器的故障诊断方法，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。


技术实现要素：

13.针对现有技术存在的问题，本发明提供了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。
14.本发明是这样实现的，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，所述基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法包括以下步骤：
15.s1、获取共轨喷油器不同状态下，安装在高压油管上的夹持式压力传感器采集的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样本和测试信号样本，所述共轨喷油器的状态包括：油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞。
16.s2、根据自适应波形延拓优化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；
17.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；
18.s4、将所有训练信号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；
19.s5、将所有测试信号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。
20.在一个实施例中，所述s2使用自适应波形延拓优化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，具体可描述如下：
21.s201、设定信号的起点(t
x1
,x1)，极大值点和极小值点
22.s202、依次连接x1,m1,n1三个点，构建特征波形，并计算特征波形的能量e1和偏斜
度s1；
23.s203、计算各个相似波形的始点并且各个始点相应的时间点为：
[0024][0025]
s204、令i＝1，计算第1个相似波形与特征波形的能量差d1，判断能量差是否小于设定阈值，如果是，则进入步骤s205、，否则，i＝i+1，判断是否i≤i
max
，若是则重新计算第i个相似波形与特征波形的能量差d1，再次对其进行判断，反之选择最小能量差d1对应的波形作为匹配波形；
[0026]
s205、计算第1个相似波形与特征波形的偏斜度差d2，判断该差值是否小于设定阈值，如果是，则选择此时的波形作为匹配波形，结束算法，否则，i＝i+1,判断是否i≤i
max
，若是则返回步骤s204，重新计算第i个相似波形与特征波形的能量差d1，再次进行判断，否则选择最小能量差d1对应的波形作为匹配波形；
[0027]
s206、利用相同的方法对信号的右端点进行延拓。
[0028]
在一个实施例中，所述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,其具体为：
[0029]
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：
[0030][0031]
计算各层次的离散熵，熵值计算结果如下：
[0032]
hwpe＝wpe(u
k,e
,m,τ)。
[0033]
本发明的另一目的在于提供一种适用于上述的基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法的故障诊断系统，该故障诊断系统包括：
[0034]
信号获取单元，用于获取共轨喷油器不同状态下，安装在高压油管上的夹持式压力传感器采集的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样本和测试信号样本，所述共轨喷油器的状态包括：油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞。
[0035]
滤波单元，用于根据自适应波形延拓优化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；
[0036]
信号运算单元，用于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；
[0037]
训练单元，用于将所有训练信号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；
[0038]
故障类型输出单元，用于将所有测试信号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。
[0039]
本发明的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法。
[0040]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
[0041]
本发明有效地利用自适应波形延拓优化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
[0042]
图1是本发明实施例提供的基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法的故障诊断方法流程图；
[0043]
图2(a)是本发明实施例提供的喷油器正常工作状态的高压油管燃油压力信号图；
[0044]
图2(b)是本发明实施例提供的喷油器针阀卡滞状态的高压油管燃油压力信号图；
[0045]
图2(c)是本发明实施例提供的喷油器喷孔堵塞状态的高压油管燃油压力信号图；
[0046]
图3是本发明实施例提供的自适应波形延拓优化eemd自适应分解的imf分量信号图
[0047]
图4是本发明实施例提供的基于自适应波形延拓优化eemd和hwpe的支持向量机多分类器故障诊断结果图
[0048]
图5是本发明实施例提供的基于自适应波形延拓优化eemd和hwpe的支持向量机多分类器故障诊断步骤流程图。
具体实施方式
[0049]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0050]
传统的共轨喷油器故障诊断方法，燃油压力波是非平稳非线性信号，必须采用联合时频分析方法进行处理，eemd是一种完全基于数据驱动的自适应分解方法，但其本身存在模态混叠问题，导致信号分解效果不佳，故障诊断精度下降，造成误判或漏判；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。
[0051]
针对现有技术存在的问题，本发明提供了适用于上述的基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法，包括以下步骤：
[0052]
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2示。并且将采集的压力信号分为训练信号样本和测试信号样本；
[0053]
s2、使用自适应波形延拓优化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；自适应波形延拓优化eemd分解结果如图3示，可描述如下：
[0054]
s201、设定信号的起点极大值点和极小值点
[0055]
s202、利用x1,m1,n1三个点构建特征波形，并计算特征波形的能量e1和偏斜度s1；
[0056]
s203、计算各个相似波形的始点并且各个始点相应的时间
点为：
[0057][0058]
s204、令i＝1，计算第1个相似波形与特征波形的能量差d1，判断能量差是否小于设定阈值，如果是，则进入步骤s205、，否则，i＝i+1，判断是否i≤i
max
，若是则重新计算第i个相似波形与特征波形的能量差d1，再次对其进行判断，反之选择最小能量差d1对应的波形作为匹配波形；
[0059]
s205、计算第1个相似波形与特征波形的偏斜度差d2，判断该差值是否小于设定阈值，如果是，则选择此时的波形作为匹配波形，结束算法，否则，i＝i+1,判断是否i≤i
max
，若是则返回步骤s204，重新计算第i个相似波形与特征波形的能量差d1，再次进行判断，否则选择最小能量差d1对应的波形作为匹配波形；
[0060]
s206、利用相同的方法对信号的右端点进行延拓。
[0061]
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：
[0062]
s301、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：
[0063][0064][0065]
其中：n＝2n，n是正整数。算子q0和算子q1的长度为2
n-1
。根据平均算子q0和q1原始序列可重构为
[0066]
u＝{(q0(u)j+q1(u)j),(q0(u)
j-q1(u)j)},j＝0,1,2,...,2
n-1
(4)
[0067]
当j＝0或j＝1时，定义矩阵qj算子如下
[0068][0069]
s302、构造一个n维向量则整数e可表示为
[0070][0071]
式中，正整数e对应的向量是
[0072]
s303、基于向量定义时间序列u(i)每一层分解的节点分量如下
[0073][0074]
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u
k,0
和u
k,1
表示。
[0075]
s304、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
[0076][0077]
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]。
[0078]
s305、计算出每个子序列的权重值ωi；
[0079][0080][0081]
s306、任意子序列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；
[0082][0083]
s307、根据信息熵的定义，计算时间序列u的加权排列熵wpe值；
[0084][0085]
s308、计算节点e和k层的层次组件的wpe，以获得hwpe，
[0086]
hwpe＝wpe(u
k,e
,m,τ)(13)。
[0087]
实施例二：
[0088]
基于与前述实施例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的发明构思，本发明还提供基于自适应波形延拓优化eemd的共轨喷油器故障诊断系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述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的任一方法的步骤，需要进一步指出的是：
[0089]
该故障诊断系统包括：
[0090]
信号获取单元，用于获取共轨喷油器不同状态下，安装在高压油管上的夹持式压力传感器采集的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样本和测试信号样本，所述共轨喷油器的状态包括：油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞。
[0091]
滤波单元，用于根据自适应波形延拓优化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；
[0092]
信号运算单元，用于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；
[0093]
训练单元，用于将所有训练信号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；
[0094]
故障类型输出单元，用于将所有测试信号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。
[0095]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0096]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一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，其特征在于，所述基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法包括以下步骤：s1、获取共轨喷油器不同状态下，安装在高压油管上的夹持式压力传感器采集的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样本和测试信号样本，所述共轨喷油器的状态包括：油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞。s2、根据自适应波形延拓优化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；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；s4、将所有训练信号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、将所有测试信号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所述的基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法，其特征在于，所述s2根据自适应波形延拓优化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，具体可描述如下：s201、设定信号的起点极大值点和极小值点s202、依次连接x1,m1,n1三个点，构建特征波形，并计算特征波形的能量e1和偏斜度s1；s203、计算各个相似波形的始点并且各个始点相应的时间点为：s204、令i＝1，计算第1个相似波形与特征波形的能量差d1，判断能量差是否小于设定阈值，如果是，则进入步骤s205、，否则，i＝i+1，判断是否i≤i
max
，若是则重新计算第i个相似波形与特征波形的能量差d1，再次对其进行判断，反之选择最小能量差d1对应的波形作为匹配波形；s205、计算第1个相似波形与特征波形的偏斜度差d2，判断该差值是否小于设定阈值，如果是，则选择此时的波形作为匹配波形，结束算法，否则，i＝i+1,判断是否i≤i
max
，若是则返回步骤s204，重新计算第i个相似波形与特征波形的能量差d1，再次进行判断，否则选择最小能量差d1对应的波形作为匹配波形；s206、利用相同的方法对信号的右端点进行延拓。3.根据权利要求1所述的基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法，其特征在于，所述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,其具体为：对燃油压力信号进行层次分析，基于向量[γ1,γ2,...,γ
n
]，定义时间序列u(i)每一层分解的节点分量如下：
计算各层次的离散熵，熵值计算结果如下：hwpe＝wpe(u
k,e
,m,τ)。4.一种适用于根据权利要求1-3任一所述的基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法的故障诊断系统，其特征在于，该故障诊断系统包括：信号获取单元，用于获取共轨喷油器不同状态下，安装在高压油管上的夹持式压力传感器采集的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样本和测试信号样本，所述共轨喷油器的状态包括：油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞。滤波单元，用于根据自适应波形延拓优化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；信号运算单元，用于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；训练单元，用于将所有训练信号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；故障类型输出单元，用于将所有测试信号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。5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法。

技术总结
本发明属于机械健康管理技术领域，公开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，包括以下步骤：获取共轨喷油器不同状态下高压油管压力波动信号，并且将采集的压力信号分为训练样本和测试样本，所述共轨喷油器的状态包括：喷油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞；根据自适应波形延拓优化EEMD算法对压力信号进行自适应分解，降低冗余信号干扰；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；利用训练样本完成SVM多分类器训练，将测试样本输入训练完成的SVM多分类器中，输出共轨喷油器故障分类识别结果。本发明的技术方案提高了共轨喷油器故障诊断的准确率，提高柴油机运行可靠性。机运行可靠性。机运行可靠性。


技术研发人员：柯赟 宋恩哲 姚崇
受保护的技术使用者：烟台哈尔滨工程大学研究院
技术研发日：2022.09.23
技术公布日：2023/5/16