内燃机故障诊断：关联维数与SVM结合方法

"该研究将关联维数与支持向量机(SVM)应用于内燃机故障诊断，通过ANSYS环境下的瞬态动力学分析获取曲轴振动信号，进而进行相空间重构和关联维数计算，以此作为特征参数，利用SVM进行故障分类，解决了样本少和高维特征空间的问题。" 在内燃机故障诊断领域，传统的诊断方法往往面临数据复杂性和高维度挑战。本研究提出了一个创新的方法，结合了关联维数理论与支持向量机的机器学习技术。关联维数是一种用于描述非线性系统复杂性的指标，能够反映信号在相空间中的结构和动态特性。在内燃机的故障诊断中，通过对曲轴振动信号的时间序列进行相空间重构，可以揭示信号的内在结构。 具体步骤包括：首先，通过ANSYS软件对6110型内燃机的曲轴在正常运行和不同故障状态下的瞬态动力学行为进行模拟分析，收集振动信号数据。接着，对这些振动信号进行相空间重构，这是一个将一维时间序列转化为多维空间的过程，有助于揭示隐藏的动态行为。然后，计算重构相空间中各点的关联维数，这一步骤能去除时域图中的冗余信息，使故障特征更加明显。 关联维数的计算涉及到相关函数和无标度区的关系。通过定义相关函数cr，确定超半球半径r0，以及利用Heaviside函数H，可以构建关联维数的计算公式。关联维数D(m)反映了相空间中吸引子的复杂度，随着嵌入维数m的变化，D(m)的极限值可以指示系统的动态特性。 支持向量机(SVM)是一种有效的监督学习模型，尤其擅长处理小样本和高维数据。在本研究中，将不同工况下曲轴的关联维数作为输入特征，对SVM进行训练，使其能够识别和区分各种故障状态。SVM的优势在于其强大的泛化能力和自动选择最优决策边界的能力，这有助于提高故障识别的准确性和鲁棒性。 研究结果显示，内燃机曲轴在正常和故障状态下的振动信号关联维数具有显著差异，这表明关联维数是区分不同故障的有效特征参数。通过关联维数与SVM的结合，不仅能有效减少特征空间的维度，还能克服传统方法中样本不足的问题，提高了故障诊断的效率和精度。 关键词：故障诊断、相空间重构、关联维数、支持向量机。该研究为内燃机故障诊断提供了一种新的、基于数据驱动的方法，对提升内燃机的维护和管理具有实际意义，也为其他机械系统的故障诊断提供了借鉴。