第6期（总第233期） 2017年12月
车用发动机 VEHICLE ENGINE
No 6 (Serial No 233 )
Dec 2017
基于多尺度核独立元分析与核极限学习机的
柴油机故障诊断
肖患宝
（山西交道职业技术学院，山西太原030002）
摘要：为提高柴油机故障诊断速度和精度，提出了基于改进多尺度核独立元分析与量子粒子群优化核极限学习机的故障诊断方法。首先利用固有时间尺度分解对缸盖振动信号进行多尺度时频分解，并根据故障敏感度参数筛选有效分量以实现振动冲击特征增强；然后利用核独立元分析消除有效分量间的频带混叠，分离故障敏感频带，并提取各频带的AR模型参数、多尺度模糊摘和标准化能量矩构造联合故障特征向量：最后建立基于量子粒子群优化的核极限学习分类器实现柴油机故障诊断。试验结果表明，该方法有效增强了缸盖振动信号中的故障敏感特征，提高了柴油机故障诊断速度和精度，故障分类准确率达到9845%。
关键词：固有时间尺度分解：多尺度核独立元分析:特征增强；量子粒子群核极限学习机；故障诊断 DOI: 10 3969 /j issn 1001-2222 2017 06 017
中图分类号：TK428
文献标志码：B文章编号：1001-2222(2017)06-0084-06
柴油机缸盖振动信号中包含丰富的柴油机运行状态信息，在柴油机故障诊断中得到了广泛应用。且是由于不同振源激微发的缸盖振动信号相互混叠，相对微弱的故障敏感信息往往被噪源信息所覆盖，导致特征提取困难。文献1基于小波包变换与主元分析提出了改进的多尺度主元分析（Multiscale PrincipalComponentAnalysis，MSPCA)方法，实现了缸盖振动信号的特征增强。文献「2基于小波变换与独立元分析提出了多尺度独立元分析（Multi-scale Independent Component Analy sis ,MSICA )方法，增强了故障信号特征。文献3和文献「4分别将经验模态分解（EmpiricalModeDecomposition， EMD)与PCA和ICA相结合分离并增强产信号中的故障特征。以上方法虽然在信号特征增强中取得了一定效果，但是由于小波（包)变换自适应性和时频对应性差,EMD算法存在端点效应、模态混叠和计算速度慢等缺点，导致信号时频分解效果较差。同时，由于PCA与ICA对非线性信号处理能力差，无法充分挖掘缸盖振动信号中的故障特征信息。
神经网络、支持向量机"、极限学习机与核极限学习机5)（KernelExtreme LearningMachine， KELM等智能识别方法广泛应用手柴油机故障诊新。其中，核极限学习机表现出更好的泛化性能、收敛速度和分类精度，但是其分类效果受核参数与惩罚
系数的影响较大。目前，常采用列举寻优、交叉验证、遗传算法和粒子群算法等进行参数寻优，但上述方法普遗存在计算时间长和容易陷入局部最优等间题。
针对以上间题，本研究提出基于改进的多尺度核独立元分析（MultiscalKernelIndependent ComonentAnalysis，MSKICA）与参数最优化 KELM的故障诊断方法，增强了缸盖振动信号中的故障特征信息，提高了故障特征分类速度和精度，从而提高了柴油机故障诊断准确率。
1改进多尺度独立元分析及特征提取 1.1改进MSKICA分析原理
FREIL5]提出的固有时间尺度分解（intrinsic time-scaledecomposition，ITD）与小波（包）变换和 EMD相比自适应分解速度快，端点效应小，分解精度高，信号时频分解效果更好。KICA"具有ICA 不具备的非线性特征挖掘能力，可有效增强缸盖振动信号中的故障特征信息。因此，本文结合ITD与 KICA提出改进MSKICA方法，实现缸盖振动信号故障敏感频带的分离和故障特征增强。改进 MSKICA的处理过程如下：
1）设采样信号X：，对其进行一次ITD分解：
H. =(1 L) X, = X L 。
(1)
式中：L=LX.是基线分量，L为基线提取算子：H
收稿日期：2017-06-19；修回日期：2017-10-27
作者简介：肖患宝（1976—），男，实验师，主要研究方向为汽车应用；1250190267@qcom，