阅读说明：本技术 一种基于chde和pwfp的共轨喷油器敏感故障特征提取方法 (Common rail fuel injector sensitive fault feature extraction method based on CHDE and PWFP ) 是由 宋恩哲 柯赟 姚崇 于 2019-12-30 设计创作，主要内容包括：本发明的目的在于提供一种基于CHDE和PWFP的共轨喷油器敏感故障特征提取方法,首先利用高精度压力传感器收集高压油管压力信号；然后计算燃油压力信号的复合层次离散熵；接着计算各层次的离散熵之间的邻近度,并依照邻近度打分,分数按照升序排列,分数越低,层次的离散熵对故障特征更敏感；最后将测试样本输入训练后二叉树支持向量机多分类器进行故障诊断和模式识别,并输出故障诊断结果。本发明适应于复杂工况的共轨喷油器敏感故障特征的提取,具有较好的故障诊断效果。(The invention aims to provide a method for extracting sensitive fault characteristics of a common rail fuel injector based on CHDE and PWFP, which comprises the steps of firstly collecting pressure signals of a high-pressure fuel pipe by using a high-precision pressure sensor; then calculating the composite level discrete entropy of the fuel pressure signal; then, calculating the proximity between the discrete entropies of all levels, and scoring according to the proximity, wherein the scores are arranged in an ascending order, and the lower the score is, the more sensitive the discrete entropies of the levels to fault characteristics are; and finally, inputting the test sample into the trained binary tree support vector machine multi-classifier for fault diagnosis and pattern recognition, and outputting a fault diagnosis result. The method is suitable for extracting the sensitive fault characteristics of the common rail fuel injector under the complex working conditions, and has a good fault diagnosis effect.)

一种基于CHDE和PWFP的共轨喷油器敏感故障特征提取方法

技术领域

本发明涉及的是一种柴油机故障提取方法，具体地说是柴油机共轨喷油器 故障提取方法。

背景技术

电控高压共轨燃油喷射技术作为继高压喷射技术和增压技术之后的第三次 柴油机技术飞跃而成为世界各国在船用柴油机技术方面竞争的热点。由于共轨 燃油系统功能和结构日趋复杂，工作环境恶劣，共轨柴油机燃油系统可靠性成 为电控燃油系统研究重点。日本船东协会轮机管理研究会调查表明，喷油器故 障率占主机故障的17.1％，喷油器故障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，及时准确地诊断出共轨喷油器 的故障具有重要意义。

复合层次离散熵(Composite Hierarchical Dispersion Entropy,CHDE)的概念，用来衡量燃油压力波时间序列在不同尺度或频率下的复杂性。CHDE方法充分 考虑了同一尺度下所有序列的信息，节点的熵值是各个序列的熵值的均值，能 够很好地抑制由序列变短而引起的熵值突变问题。然后，当以复合层次离散熵 作为特征反映原始时间序列的故障信息时，故障特征中常常含有冗余信息和不 敏感信息，因此故障特征的选择是必不可少的。而针对高维度低样本数据来说， 现有的降维方法处理效果不够显著。

发明内容

本发明的目的在于提供解决复杂工况环境下共轨喷油器故障特征难以提取 或者提取精度不高问题的一种基于CHDE和PWFP的共轨喷油器敏感故障特征提 取方法。

本发明的目的是这样实现的：

本发明一种基于CHDE和PWFP的共轨喷油器敏感故障特征提取方法，其特 征是：

(1)通过压力传感器采集高压油管燃油压力波动信号，并将采集的信号分 为训练信号和测试信号；

(2)分别计算训练信号和测试信号的复合层次离散熵；

(3)计算各层次的离散熵之间的邻近度，以邻近度为参照进行打分，分数 按照升序排列；

(4)选择训练样本中的复合层次离散熵组成特征向量子集，输入二叉树支 持向量机多分类器进行训练；

(5)采用训练后的二叉树支持向量机多分类器对测试样本进行故障诊断和 模式识别，并输出故障诊断结果。

本发明还可以包括：

1、步骤(1)中的高压油管压力波动信号包括喷油器状态正常、喷油器针 阀卡滞和喷油器喷孔堵塞三种类型。

2、步骤(2)中复合层次离散熵的计算步骤为：

A.设时间序列{x(i),i＝1,2,...,N}，长度为N，定义算子和如下：

j＝0,1,...,2^n-1，

和代表时间序列在第一层分解的低频成分，和代表时间序列在 第一层分解的高频成分，和代表同一尺度下时间序列两种不同的层次化 方式；

B.定义时间序列x(i)每一层分解的节点分量如下：

C.计算每个节点得到的层次化序列的离散熵，再对同一节点不同的k的熵 值求平均值，得到各层次的复合层次离散熵，记为CHDE_n,e。

3、步骤(3)中，根据与同一类别的样本的接近程度来分配分数，同时保 持与其他类别样本的最大距离，然后对每个特征分配分数来进行特征选择，PWFP 算法流程描述如下：

a.将β个特征保持在d之外：

b.令q_jk＝[b₁,b₂,...,b_d]^T,b_i∈{0,1}为(x_j,x_k)对沿的特征；通过以下方式查找相似特征：

c.从所有可能的对中收集信息，分别由P和Q表示，分别为：

d.选择特征的标准是最小化，由下式：

4、步骤(4)、(5)中二叉树SVM采用RBF核函数进行分类，惩罚因子C＝1000。

本发明的优势在于：本发明适应于复杂工况的共轨喷油器敏感故障特征的 提取，具有较好的故障诊断效果。

附图说明

图1为本发明的流程图；

图2是高压共轨燃油系统试验平台结构图；

图3是三种喷油器状态在不同工况下的高压油管燃油压力信号图；

图4是CHDE计算流程图；

图5是三种喷油器在不同工况下的CHDE计算结果图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1-5，一种基于CHDE和PWFP的共轨喷油器敏感故障特征提取方 法，包括如下步骤：

S1、利用高精度压力传感器采集高压油管燃油压力波动信号，并将采集的 信号分为训练信号和测试信号；

S2、分别计算训练信号和测试信号的复合层次离散熵；

S3、计算各层次的离散熵之间的邻近度，以邻近度为参照进行打分，分数 按照升序排列，分数越低，故障特征越敏感；

S4、选择训练样本中排名靠前的复合层次离散熵组成特征向量子集，输入 二叉树支持向量机多分类器进行训练；

S5、采用训练后的二叉树支持向量机多分类器对测试样本进行故障诊断和 模式识别，并输出故障诊断结果。

步骤S1中的高压油管压力波动信号包括喷油器状态正常、喷油器针阀卡滞 和喷油器喷孔堵塞三种类型。

步骤S2中复合层次离散熵的计算步骤如下所示：

第一步：设时间序列{x(i),i＝1,2,...,N}，长度为N，定义算子和如下：

j＝0,1,...,2^n-1

事实上，和代表时间序列在第一层分解的低频成分，和代表时 间序列在第一层分解的高频成分，而和代表同一尺度下时间序列两种不 同的层次化方式。

第二步：定义时间序列x(i)每一层分解的节点分量如下：

第三步：计算每个节点得到的层次化序列的离散熵，再对同一节点不同的 k的熵值求平均值，就得到各层次的复合层次离散熵，记为CHDE_n,e。

步骤S3中成对邻近度(PWFP)的核心思想是根据与同一类别的样本的接 近程度来分配分数，同时保持与其他类别样本的最大距离，然后是对每个特征 分配分数来进行特征选择。PWFP算法流程可以描述如下：

第一步：需要将β个特征保持在d之外，这对于(x_j,x_k)对来说是接近的：

第二步：类似地，令q_jk＝[b₁,b₂,...,b_d]^T,b_i∈{0,1}为(x_j,x_k)对沿的特征；如 果b_i＝1，y_j≠y_k是最远的。查找相似特征的方法可以通过以下方式找到：

第三步：从所有可能的对中收集信息，分别由P和Q表示，分别为：

第四步：好的特征是在和中都出现概率较 高的特征。选择良好特征的合理标准是最小化由下式：

步骤S4、S5中二叉树SVM采用RBF核函数进行分类，惩罚因子C＝1000。

本发明一种基于CHDE和PWFP的共轨喷油器敏感故障特征提取方法，其 具体步骤细化如下：

S1、利用高精度压力传感器采集高压油管燃油压力波动信号，并将采集的 信号分为训练信号和测试信号，试验平台如图2所示，采集的信号如图3所示。

S2、分别计算训练信号和测试信号的复合层次离散熵。CHDE计算流程如 图4所示，计算结果如图5所示，具体步骤如下：

第一步：设时间序列{x(i),i＝1,2,...,N}，长度为N，定义算子和如下：

其中和形式取决于时间序列的长度，j＝0或1。将和分别作用 于时间序列x(i),于是有

j＝0,1,...,2^n-1

事实上，和代表时间序列在第一层分解的低频成分，和代表时 间序列在第一层分解的高频成分，而和代表同一尺度下时间序列两种不 同的层次化方式。

第二步：构造一个n维向量则整数e可表示为

式中，正整数e对应的向量是

第三步：基于向量定义时间序列x(i)每一层分解的节点分量如 下

第四步：计算每个节点得到的层次化序列的离散熵，再对同一节点不同的 k的熵值求平均值，就得到各层次的复合层次离散熵，记为CHDE_n,e。

对于低频部分，对时间序列{x(i),i＝1,2,...,N}，尺度因子为τ，采用以下方 式定义时间序列即

j＝1,2,...,[N/τ],p＝1,2,...,τ

然后，对于每个尺度因子τ，计算每个时间序列的离散熵，再计算尺度 平均值，得到该尺度因子下的离散熵，即

S3、计算各层次的离散熵之间的邻近度，以邻近度为参照进行打分，分数 按照升序排列，分数越低，故障特征越敏感。具体步骤如下：

第一步：需要将β个特征保持在d之外，这对于(x_j,x_k)对来说是接近的：

第二步：类似地，令q_jk＝[b₁,b₂,...,b_d]^T,b_i∈{0,1}为(x_j,x_k)对沿的特征；如 果b_i＝1，y_j≠y_k是最远的。查找相似特征的方法可以通过以下方式找到：

第三步：从所有可能的对中收集信息，分别由P和Q表示，分别为：

第四步：好的特征是在P＝[p¹,p²,...,p^d]和Q＝[q¹,q²,...,q^d]中都出现概率较高的特征。选择良好特征的合理标准是最小化由下式：

S4、选择训练样本中排名靠前的复合层次离散熵组成特征向量子集，输入 二叉树支持向量机多分类器进行训练；

S5、采用训练后的二叉树支持向量机多分类器对测试样本进行故障诊断和 模式识别，并输出故障诊断结果。