基于張量分解特征提取的發(fā)動(dòng)機(jī)故障診斷技術(shù)研究.pdf

1、發(fā)動(dòng)機(jī)故障診斷技術(shù)的發(fā)展趨勢(shì)是診斷的自動(dòng)化與智能化，其關(guān)鍵問(wèn)題是對(duì)采集的信號(hào)數(shù)據(jù)進(jìn)行分析與特征提取。傳統(tǒng)的數(shù)據(jù)分析和特征提取方法通常基于向量模式，可能丟失數(shù)據(jù)之間的結(jié)構(gòu)信息及破壞數(shù)據(jù)間相關(guān)性，影響后續(xù)的故障模式識(shí)別。針對(duì)此問(wèn)題，本文提出了基于張量分解的發(fā)動(dòng)機(jī)數(shù)據(jù)特征提取方法，并在此基礎(chǔ)上進(jìn)行了發(fā)動(dòng)機(jī)的故障診斷。
　　本文利用GT-Crank軟件，建立了發(fā)動(dòng)機(jī)的虛擬樣機(jī)，通過(guò)改變相關(guān)參數(shù)，對(duì)發(fā)動(dòng)機(jī)單缸失火和軸系不對(duì)中兩種故障進(jìn)行了模

2、擬。得到了發(fā)動(dòng)機(jī)正常工作、單缸失火和軸系不對(duì)中三種狀態(tài)下包含曲軸端轉(zhuǎn)矩、飛輪慣性力矩、曲柄銷連桿力和連桿軸向力等信息的數(shù)據(jù)。應(yīng)用張量基礎(chǔ)理論，分析了從低階張量到高階張量的表達(dá)過(guò)程，將上述數(shù)據(jù)按三種工況分別構(gòu)建成了形式為“信號(hào)類別×曲軸轉(zhuǎn)角×轉(zhuǎn)速”、大小為4×720×31的32個(gè)三階張量型發(fā)動(dòng)機(jī)狀態(tài)樣本，為后續(xù)張量分析與分解提供了基礎(chǔ)。通過(guò)對(duì)張量Tucker分解問(wèn)題的分析，給出了HOSVD張量Tucker分解算法和ALS張量Tucker分

3、解算法的基本原理和算法步驟，提出了HOSVD-ALS聯(lián)立張量Tucker分解算法，并分別采用三種算法對(duì)樣本進(jìn)行特征提取，得到了96個(gè)4×8×2的核心張量樣本。將樣本分為訓(xùn)練集和測(cè)試集，使用決策樹(shù)、支持向量機(jī)和K-近鄰三種分類模型對(duì)未進(jìn)行特征提取和使用張量Tucker分解算法進(jìn)行特征提取后的數(shù)據(jù)進(jìn)行模型學(xué)習(xí)與分類識(shí)別，以混淆矩陣圖、分類準(zhǔn)確率和模型的學(xué)習(xí)時(shí)間為評(píng)價(jià)指標(biāo)將分類結(jié)果進(jìn)行對(duì)比分析。
　　研究結(jié)果表明，HOSVD-ALS聯(lián)立

4、張量Tucker分解算法對(duì)張量型數(shù)據(jù)特征提取后，再進(jìn)行分類識(shí)別得到的平均分類準(zhǔn)確率為94.44％，高于未進(jìn)行張量構(gòu)建與分解的直接向量化方法、單獨(dú)使用HOSVD張量Tucker分解算法和單獨(dú)使用ALS張量Tucker分解算法得到的分類準(zhǔn)確率，其準(zhǔn)確率分別為93.06％、87.50％、82.64％;使用HOSVD-ALS聯(lián)立張量Tucker分解算法、單獨(dú)使用HOSVD張量Tucker分解算法和單獨(dú)使用ALS張量Tucker分解算法后的數(shù)據(jù)輸