柴油机振动信号特征提取与故障诊断方法探讨
柴油机振动信号特征提取与故障诊断方法探讨
柴油机振动信号特征提取与故障诊断方法探讨【摘要】柴油机作为动力机械，其运行状态的好坏，直接影响到成套设备的工作状况。
因此，对其进行运行状态监测和故障诊断，确保设备处于最佳运行状态，提高设备维修质量和效率是十分必要的。
本文应用了小波包提取了特征值并用BP网络进行了故障识别。
【关键词】柴油机;故障诊断1.柴油机故障诊断现状[1-3]柴油机故障诊断技术是通过分析处理柴油机运行时的状态信息，定量识别其技术状态、并预测异常故障状态的一门多学科交叉的综合技术。
柴油机故障诊断和其它类型机械的故障诊断一样，首先必须对故障进行机理研究，以故障信号的检测技术及信号处理技术为基本技术，以故障信号处理和特征提取理论为基本理论，以基于信号处理及特征提取的故障类型识别方法为基本方法。
近年来，针对柴油机故障诊断的研究工作有了较大的发展，但尚未达到在工程实际中有效应用的水平，主要原因是对基本技术的研究和各类故障、特别是综合故障案例和图谱的积累工作已跟不上诊断基本理论和方法研究的快速发展。
从工程应用的角度出发，综合应用测试技术、小波分析、经验模式分解、混沌数值特征、BP神经网络、支持向量机等理论，对柴油机缸盖振动信号中故障特征信息的提取、柴油机故障状态的识别诊断是目前较为普遍和常用的方法。
图1 时域信号分析2.柴油机缸盖振动信号采集利用缸盖振动信号对柴油机进行故障诊断，需要建立缸盖振动信号采集系统并采集柴油机在不同工作状态下的缸盖振动信号。
测点选择的好坏直接影响到所采集的信号，并决定着后续的处理和分析工作的难易程度。
测点的选择必须遵循两个原则：一是测点要能充分地反映被测对象的工作信息，应具有信号稳定、信噪比高、对故障敏感等特点;二是测点的选择必须便于安装和测试，尽可能不影响机器的运行状态，在生产实际中切实可行。
人为给柴油机设置四类故障：排气门间隙异常、进气门间隙异常、供油提前角异常和供油压力异常等，采集不同工作状态下的柴油机缸盖振动信号。
基于振动信号的机械故障特征提取与诊断研究
基于振动信号的机械故障特征提取与诊断研究基于振动信号的机械故障特征提取与诊断研究摘要：随着机械设备的广泛应用和高度自动化的发展，机械故障的预测与诊断变得越来越重要。
振动信号是机械故障诊断中常用的检测手段之一。
本文通过对振动信号的特征提取研究，探索了一种基于振动信号的机械故障诊断方法，并通过实验验证了该方法的有效性。
1. 引言随着工业自动化的发展，机械设备的运行状态直接关系到生产效率和安全性。
机械故障的预测与诊断可以有效地避免设备损坏和生产事故的发生。
其中，振动信号是一种常用的机械故障检测手段。
振动信号中包含着丰富的信息，能够反映机械设备的运行状态。
因此，对振动信号进行特征提取并结合机械故障诊断方法，有利于实现机械故障的准确诊断。
2. 振动信号的特征提取方法振动信号中的特征提取是机械故障诊断的关键步骤。
本文使用了时域特征、频域特征和小波分析方法对振动信号进行特征提取。
2.1 时域特征提取时域特征主要是从振动信号的时间序列中提取有关信号的信息。
常用的时域特征包括均方根值（RMS）、峰值因子（PF）和脉冲因子（IF）等。
通过计算这些特征值，可以获得振动信号的幅值、频率和脉冲特点等信息。
2.2 频域特征提取频域特征是通过对振动信号进行傅里叶变换，将信号从时域转换为频域。
通过频域分析，可以提取出振动信号的频率特征，如主频率和谐波频率等。
常用的频域特征有功率谱密度、频率主成分和频谱峰值等。
2.3 小波分析方法小波分析是一种时频分析方法，能够同时提取时域和频域特征信息。
通过对振动信号进行小波分解，可以获得不同尺度上的振动特征。
常用的小波分析方法有小波包分解和连续小波变换等。
3. 基于振动信号的机械故障诊断方法基于振动信号的机械故障诊断方法主要包括特征提取和故障识别两个步骤。
特征提取阶段，通过对振动信号进行特征提取，得到一组特征向量。
然后，将特征向量输入到故障识别模型中，进行故障类型的判断。
3.1 特征提取在特征提取阶段，将振动信号进行时域特征、频域特征和小波分析等方法的处理。
机械工程中的振动信号分析与故障诊断技术研究
机械工程中的振动信号分析与故障诊断技术研究引言：振动信号分析与故障诊断技术在机械工程领域中扮演着重要的角色。
通过对机械设备振动信号的分析，可以及时发现潜在的故障问题，预测设备寿命，提高设备运行效率，降低设备维护成本。
本文将探讨振动信号分析与故障诊断技术的研究现状以及未来发展趋势。
一、振动信号分析在机械工程中的应用振动信号分析在机械工程领域中具有广泛的应用。
振动信号可以包含丰富的信息，能够反映机械设备的运行状态、结构特性和故障状况。
通过对振动信号的分析，可以实现对机械设备的运行过程进行监测、故障诊断和预测。
1.1 振动信号的特征提取振动信号的特征提取是振动信号分析的核心内容之一。
通过对振动信号进行时域分析、频域分析和时频域分析等方法，可以提取出振动信号的幅值、频率、相位等特征参数，进而分析机械设备的运行状态。
1.2 故障诊断与预测振动信号分析在机械设备故障诊断与预测中发挥着关键作用。
通过比对振动信号的特征参数与故障模式数据库中的对应关系，可以准确判断机械设备的故障类型和位置。
同时，利用振动信号的时序特性，可以对机械设备未来的寿命进行预测，从而及时安排维护计划，避免机械设备故障带来的生产损失。
二、振动信号分析与故障诊断技术的研究现状目前，国内外学者和工程师们对振动信号分析与故障诊断技术进行了广泛的研究。
研究包括但不限于信号处理方法、特征提取算法、故障模式识别等方面。
2.1 信号处理方法信号处理方法是振动信号分析的重要基础。
国内外学者提出了多种信号处理方法，如小波分析、独立分量分析（ICA）、奇异谱分析（SSA）等。
这些方法能够提取出振动信号中的隐含信息，为后续的特征提取和故障诊断提供基础。
2.2 特征提取算法在振动信号分析中，特征提取算法是关键一步。
目前广泛应用的特征提取算法包括傅里叶变换、小波变换、相关函数分析等。
这些算法可以从振动信号中提取出幅值、频率、相位等特征参数，为故障诊断提供依据。
2.3 故障模式识别故障模式识别是振动信号分析的重要部分。
利用振动信号分析故障诊断方法研究
利用振动信号分析故障诊断方法研究引言：振动信号是一种常见的故障诊断手段，通过对机械或电气设备产生的振动信号进行分析，可以有效地判断设备的工作状态和潜在故障。
近年来，随着科学技术的发展，振动信号分析在工业领域得到了广泛的应用。
本文旨在探讨利用振动信号分析进行故障诊断的方法及其研究意义。
一、振动信号分析的原理振动信号是机械设备在运行过程中由于内部结构、运动部件等原因所产生的振动，其特征包括振动频率、振幅、相位等。
振动信号分析的核心原理是通过对振动信号的频谱分析，确定故障特征频率，从而判断设备是否存在故障。
二、常见的振动信号分析技术1. FFT频谱分析快速傅里叶变换(FFT)是一种基于傅里叶变换的频谱分析方法，通过FFT分析振动信号的功率谱密度，可以得到频率信息。
利用频谱分析技术，可以检测设备内部的故障频率，如轴承的谐波频率、齿轮的啮合频率等。
2. 小波分析小波分析是一种时频分析方法，通过对振动信号进行小波变换，可以同时获得时域和频域的信息。
小波分析相对于FFT分析更具优势，可以有效地提取出瞬时频率、瞬时幅值等特征，对非平稳信号的分析具有较好的效果。
3. 非线性分析振动信号中包含了丰富的非线性特征，如共振、周期倍频、离散谱等，通过对振动信号进行相空间重构、Lyapunov指数计算等非线性分析方法，可以有效地判断设备是否存在故障。
三、利用振动信号分析故障诊断的应用振动信号分析在工业领域具有广泛的应用，可以用于早期故障预测、设备状态监测、故障诊断等方面。
1. 早期故障预测通过对设备产生的振动信号进行分析，可以提前检测到设备存在的潜在故障，并采取相应的维护措施。
例如，在风力发电机组中，通过监测主轴箱的振动信号可以判断主轴箱内轴承是否存在异常磨损，从而预测轴承故障的发生时间。
2. 设备状态监测振动信号可以反映设备的实时工作状态，通过对振动信号的监测与分析，可以及时了解设备的运行情况。
例如，在石油钻机上安装振动传感器，可以实时监测钻杆的振动情况，通过对振动信号的分析，可以判断钻具是否受损，避免钻具折断等事故的发生。
振动信号特征提取方法研究
振动信号特征提取方法研究振动信号是机械设备故障诊断中常用的一种信号，通过对其进行特征提取可以实现对机械设备的故障诊断。
因此，振动信号的特征提取方法的研究具有十分重要的意义。
1. 振动信号特征提取方法简介振动信号特征提取方法指的是在振动信号中提取有代表性的特征，并对这些特征进行分析和判断，以实现对机械设备的故障诊断。
振动信号的特征一般包括时间域特征、频域特征和时频域特征。
2. 时间域特征提取方法时间域特征是指振动信号在时间轴上的特征，包括振动信号的波形、幅值、峰值等。
常用的时间域特征提取方法有：（1）均方根值法。
该方法需要计算振动信号的均方根值，通过均方根值可以判断振动信号的大小、稳定性和周期性等特征。
（2）峰值指标法。
该方法主要是通过计算振动信号的峰值指标，在峰值指标达到一定的阈值时，可以判断机械设备是否发生故障。
（3）小波包分解法。
该方法是一种无损压缩技术，可以将信号按不同的层次进行分解，得到不同的频率分量和振幅等信息，从而实现振动信号的特征提取和分析。
3. 频域特征提取方法频域特征是指振动信号在频域上的特征，包括振动信号的频谱、功率谱、谐波分析等。
常用的频域特征提取方法有：（1）快速傅里叶变换法。
该方法是一种时间信号转换为频率信号的方法，可以将振动信号转换到频率域进行分析。
（2）小波变换法。
该方法是一种局部变换技术，可以将信号按不同的尺度进行分解，并可得到时间频率、尺度频率等信息，从而实现对振动信号的特征提取和分析。
（3）功率谱分析法。
该方法是一种通过计算信号的功率谱密度函数，确定信号在频率分量上的能量分布，从而实现对振动信号的特征提取和分析。
4. 时频域特征提取方法时频域特征是指振动信号在时间和频率域上的特征，主要是通过小波分析法和时频谱分析法进行分析。
时频分析是一种将时域和频域特征融合在一起的分析方法，可以得到更加全面和准确的振动信号特征。
5. 振动信号特征提取方法的应用振动信号特征提取方法的应用主要是在机械设备故障诊断和维护中。
机械振动信号的特征提取与故障识别
机械振动信号的特征提取与故障识别引言：机械振动信号是机械系统中常见的一种信号，它可以提供有关机械设备状态的重要信息。
通过对机械振动信号进行特征提取和故障识别，可以实现对机械设备的状态监测、故障预警和维修计划的制定。
本文将介绍机械振动信号的特征提取方法和故障识别算法，以及其在实际应用中的重要性和挑战。
一、机械振动信号的特征提取机械振动信号通常包含振幅、频率和相位等信息。
特征提取是通过对振动信号进行数学处理和分析，提取其中蕴含的有用信息。
常见的特征提取方法包括时域分析、频域分析和时频域分析。
1. 时域分析时域分析是对振动信号在时间域上进行直接观测和分析的方法，常用的分析指标包括均值、峰值、均方根值等。
时域分析方法简单直观，适用于对振动信号中长期趋势和瞬时变化等进行分析。
2. 频域分析频域分析是通过将振动信号转换到频域进行分析的方法，可以得到信号的频谱特性。
常用的频域分析方法包括傅里叶变换、功率谱密度估计和小波分析等。
频域分析可以用于提取信号的谐波成分、频率响应和共振频率等特征。
3. 时频域分析时频域分析是将振动信号同时在时间域和频域进行分析的方法，可以获得信号的瞬时频率和能量分布等特征。
常用的时频域分析方法包括短时傅里叶变换、连续小波变换和瞬时频率分析等。
时频域分析可以用于对振动信号中快速变化和非稳态特性的分析。
二、机械故障的识别方法机械故障通常会引起机械振动信号的异常变化，通过对振动信号的特征进行分析和比较，可以实现对机械故障的自动识别。
常见的机械故障识别方法包括模式识别、统计分析和机器学习等。
1. 模式识别模式识别是通过对振动信号的特征进行分类和匹配，判断信号的状态是否处于正常或故障的方法。
常用的模式识别算法包括支持向量机、人工神经网络和随机森林等。
模式识别方法需要先建立故障模式库，并通过训练和分类来实现故障的识别。
2. 统计分析统计分析是通过对振动信号的统计特性进行分析，判断信号是否符合某种统计规律的方法。
振动信号分析与故障诊断
振动信号分析与故障诊断振动信号是在很多机械设备中常见的一个现象。
通过分析振动信号，可以获取各种设备的运行状态和性能指标，进而进行故障诊断和预测。
振动信号分析与故障诊断在工业生产中具有重要的应用价值。
振动信号分析是指对振动信号进行处理、提取特征，并进行分析和诊断。
振动信号携带了机械设备的运行状态信息，包含了频域、时域和幅值等多维度的数据。
通过对振动信号进行分析，可以获得设备的各种振动特征，如振动频率、振动幅值、振动模态等。
振动信号分析的方法包括频谱分析、时频分析、小波分析等。
其中，频谱分析是最为常用的方法之一。
频谱分析通过将时域的振动信号转化为频域信号，可以清晰地展示出不同频率分量所占的比例。
通过观察频谱图，可以得出关于故障频率或共振频率的信息。
振动信号的故障诊断是指通过分析振动信号的特征和变化，判断设备是否存在故障，并确定故障的类型和原因。
常见的故障类型包括轴承故障、齿轮故障、偏心故障等。
不同类型的故障在振动信号中表现出不同的特征，如频率的变化、幅值的异常等。
轴承故障是振动信号中常见的故障类型。
轴承故障通常表现为频谱中出现明显的多个高频峰。
通过分析这些高频峰的特点，可以确定轴承故障的类型，例如滚珠疲劳、滚道剥皮等。
另外，轴承故障还会引起振动信号的幅值增大和频率的变化。
齿轮故障是振动信号中另一常见的故障类型。
齿轮故障通常表现为频谱中出现特定的频率分量，称为齿轮特征频率。
通过分析这些特征频率的变化和幅值的异常，可以判断齿轮故障的类型，如齿面磨损、齿根断裂等。
振动信号分析与故障诊断的应用范围广泛。
在制造业中，振动信号分析可以用来监测和评估设备的性能和健康状况。
通过对振动信号进行实时监测和分析，可以及时发现设备的故障和异常，采取相应的维修和保养措施，避免因故障带来的生产停顿和损失。
在航空航天领域，振动信号分析与故障诊断可以应用于航空发动机、飞机结构和飞行控制系统等。
通过对振动信号进行监测和分析，可以判断航空设备的性能和可靠性，并提前做好维修和更换的准备，确保航空器的安全运行。
机械振动信号处理和故障诊断方法研究
机械振动信号处理和故障诊断方法研究机械振动信号处理和故障诊断方法是工程领域中一个重要的研究方向。
通过对机械振动信号的处理和分析，可以帮助我们了解机械设备的运行状态，并及时诊断和修复潜在的故障。
本文将探讨一些常见的机械振动信号处理和故障诊断方法。
一、振动信号处理机械设备的振动信号是由设备在运行过程中所产生的微细振动所组成的。
通过对振动信号的处理，我们可以获取到一些重要的信息。
1.1 时域分析时域分析是最常见的一种信号处理方法。
它通过将振动信号转换为时间的函数，来研究信号在时域上的特性。
常用的时域分析方法有均方根、峰值、峭度等。
1.2 频域分析频域分析是将振动信号转换为频率的函数，来研究信号在频域上的特性。
通过对频域分析可以得到信号的频率分布情况，从而判断是否存在故障。
常见的频域分析方法有傅里叶变换、功率谱密度等。
1.3 小波变换小波变换是一种在不同时间和频率上分析信号的方法。
通过小波分析可以将信号的时域和频域特性结合起来，从而得到更为准确的信号特征。
小波分析的一个重要应用是故障特征提取。
二、故障诊断方法在机械设备中，常常会发生各种各样的故障，如轴承故障、齿轮故障等。
通过对振动信号的处理和分析，可以帮助我们及时诊断和预防这些故障。
2.1 特征提取特征提取是从原始振动信号中提取出有用的故障特征。
常见的特征包括频率特征、能量特征、时域特征等。
通过特征提取可以得到反映故障状态的指标，进一步帮助故障诊断。
2.2 模式识别模式识别是一种通过对特征进行分类的方法，用于识别不同的故障类型。
常见的模式识别方法有支持向量机、神经网络等。
通过模式识别可以对不同的故障类型进行区分和分类，从而准确定位故障。
2.3 故障预测故障预测是对振动信号进行时序建模和预测的方法。
通过对历史数据的分析和模型建立，可以预测出未来一段时间内可能发生的故障。
故障预测可以帮助我们采取有效的维修措施，避免设备故障给生产带来损失。
三、案例分析为了更好地了解机械振动信号处理和故障诊断方法的应用，我们以轴承故障为例进行了实际案例分析。
振动信号特征提取及失效诊断方法研究
振动信号特征提取及失效诊断方法研究随着机械制造技术的不断发展和普及，各类机械设备在我们的日常生活中已经扮演了越来越重要的角色。
这些设备的正常运行对于保障我们的生活和工作的顺利开展起到了至关重要的作用。
但是在长期的使用过程中，机械设备必然会面临不同程度的磨损、老化和损坏，从而影响其正常运行。
因此，及时进行机械设备状况的检测与诊断变得尤为重要。
对于机械设备的状况检测与诊断，振动信号特征提取及失效诊断方法已经成为了研究的热点之一。
振动信号在机械设备的运行过程中起到了重要的作用，具有丰富的信息，对于机械设备运行状态的判断有着至关重要的作用。
因此，采用振动信号作为检测手段可以提高机械设备的运维效率和降低设备维护成本。
一、振动信号特征提取振动信号特征提取是指在信号中提取与机械设备状况相关的特征参数，以便进行后续的信号处理和诊断分析。
振动信号特征提取方法主要包括时域分析、频域分析、时频分析和小波分析等。
其中，时域分析主要包括峰值、均值、均方根、峰值因子等方法；频域分析主要包括功率谱密度、快速傅里叶变换等方法；时频分析主要包括小波包变换、连续小波变换等方法；小波分析主要包括小波包分解、小波包重构等方法。
以上几种振动信号特征提取方法各有优劣。
时域分析方法简单易操作，但无法输入信号的高频部分；频域分析方法可以清晰地反映信号的频率特性，但是难以提取信号中的局部特征；时频分析方法可以同时反映时域和频域的信息，但是却需要更多的数据处理能力。
小波分析方法则可以同时反映时域和频域的信息，并且提取得到信号中的局部特征，是目前最为先进的振动信号特征提取方法之一。
二、失效诊断方法提取得到振动信号的特征参数后，需要对这些参数进行失效诊断分析。
失效诊断是指通过对特征参数进行分析来判断机械设备是否处于失效状态，并提出相应的处理措施。
传统的失效诊断方法主要包括模型诊断法、经验诊断法和统计诊断法等。
模型诊断法是通过建立机械设备的运动方程和状态方程来描述机械设备的运行情况，并通过数学模型进行失效诊断。
振动信号处理与故障诊断方法研究
振动信号处理与故障诊断方法研究随着工业技术的不断发展，机械设备的使用越来越广泛。
然而，随着时间的推移，这些机械设备也会逐渐出现各种各样的故障。
为了保障设备正常运行，及时发现并解决故障问题成为了重要的任务。
振动信号处理与故障诊断方法的研究就是为了满足这一需求而产生的。
振动信号是机械设备故障的重要指标之一。
通过分析和处理振动信号，可以获取到设备在运行过程中产生的振动波形。
不同种类的故障会产生不同的振动信号特征，因此通过振动信号分析可以判断设备是否存在故障，并进一步诊断故障的类型和原因。
振动信号处理可以分为预处理和特征提取两个阶段。
预处理阶段主要是对原始振动信号进行滤波、去除噪声等操作，以提高信号的质量。
特征提取阶段则是通过一系列算法和方法，从预处理后的信号中提取出代表故障特征的参数。
常用的特征参数包括频率谱、时域指标、能量谱等。
在故障诊断方法的研究中，机器学习算法被广泛运用。
机器学习算法通过训练模型，学习振动信号和故障之间的关系，从而实现对故障的自动诊断。
常用的机器学习算法包括支持向量机、神经网络、随机森林等。
这些算法可以根据特征参数来训练分类模型，实现对不同故障类型的准确诊断。
除了机器学习算法，深度学习算法也逐渐应用于振动信号处理与故障诊断中。
深度学习算法可以通过多层神经网络的训练，自动学习和提取振动信号中的特征。
与传统机器学习算法相比，深度学习算法可以更好地处理大规模数据，并且能够自动发现数据中的隐藏特征。
振动信号处理与故障诊断方法的研究不仅在工业领域有广泛应用，也涉及到其他领域。
例如，医学领域中的心脏病音信号处理与诊断、航空领域中的飞机结构健康监测等。
这些应用领域都需要对振动信号进行分析和处理，以实现故障的准确诊断和预测。
然而，振动信号处理与故障诊断方法的研究也面临着一些挑战。
首先，振动信号中可能包含大量的噪声，如背景干扰等，这会影响到特征提取的准确性。
其次，不同种类的故障可能具有相似的振动特征，导致诊断的困难。
机械振动信号的特征提取与故障诊断方法
机械振动信号的特征提取与故障诊断方法引言机械振动信号是工业生产中常见的一种信号类型，它可以反映出机器设备的状态和工作情况。
因此，对机械振动信号进行特征提取和故障诊断具有重要意义。
本文将介绍机械振动信号的特征提取方法以及常用的故障诊断方法。
一、机械振动信号的特征提取方法1. 时域特征提取时域特征提取是最常见的一种方法，它通过分析振动信号在时间上的变化来提取信号的特征。
常用的时域特征包括振动信号的均值、方差、偏度和峭度等。
这些特征可以反映出信号的平稳性、波形形状以及分布情况。
2. 频域特征提取频域特征提取是将振动信号从时域转化为频域进行分析，它可以反映信号在不同频率上的能量分布情况。
常用的频域特征包括信号的频谱、功率谱和自相关函数等。
通过分析这些特征，我们可以了解信号存在的频率成分以及频率分布情况。
3. 统计特征提取统计特征提取是通过对振动信号的统计性质进行分析来提取信号的特征。
常用的统计特征包括信号的平均值、标准差、自相关系数和互相关系数等。
这些特征可以反映出信号的整体变化趋势和波动性质。
二、机械振动信号的故障诊断方法1. 图谱分析法图谱分析法是一种将频域特征应用于故障诊断的方法，它通过对振动信号的频谱进行分析来判断故障类型。
常用的图谱分析方法包括快速傅里叶变换（FFT）、小波变换和功率谱密度分析等。
这些方法可以帮助我们找到信号中存在的频率成分和故障特征。
2. 统计模型方法统计模型方法是一种通过建立数学模型来进行故障诊断的方法，它通过统计学原理和机器学习算法来分析振动信号的特征。
常用的统计模型方法包括支持向量机（SVM）、神经网络和隐马尔可夫模型等。
这些方法可以通过对训练样本的学习来建立模型，并根据新的振动信号进行分类和预测。
3. 综合诊断方法综合诊断方法是一种将多种特征和方法相结合的故障诊断方法，它通过综合分析振动信号的特征来判断故障的类型和程度。
常用的综合诊断方法包括模式识别方法、聚类分析和特征选择算法等。
柴油机振动信号特征提取与故障诊断
• 100 •内燃机与配件柴油机振动信号特征提取与故障诊断张立元;廖华新(广西玉柴机器股份有限公司）摘要：柴油机的振动对于判断柴油机的工作性能有很重要的作用，所以要对柴油机的振动所发出的信号进行特征分析。
而想要 了解到柴油机的振动信号的特征就要对信号中的信息进行采集，所要用到数据采集系统来采集信息，故对信号的故障提取主要的工 作就是对信号的采集、分析、处理。
通常对信号的处理的方法有频域，时域，时频分析法。
本文就是通过对柴油机振动信号特征提取与 故障诊断，让我们更深地了解柴油机。
关键词：柴油机振动信号;信号特征提取;故障诊断方法0引言柴油机在各个行业中占据的重要的地位，有着不可 缺少的地位，应用也相当的广泛，但是其结构较为复杂，所以柴油机运行状态的好坏直接关系到整个工作组整体 的状态质量。
简单地说就是通过对柴油机的缸盖振动信 号进行分析，从而对整个柴油机的振动做出分析。
本文的 重点就是介绍通过对柴油机的振动来对柴油机的故障进 行分析。
1柴油机振动信号的提取振动信号的主要工作就是对信号的采集与分析。
信号 在采集的时候会采集到很多与要采集的信息不相关的信 号，就是干扰信号，会影响到后续的信号处理及与故障的 诊断，所以就要对采集的信号进行处理。
通常采用的信息处理的方法有时域分析法、频域分析 法及时频分析法。
用通俗的话语来讲，时域分析法是指对 局部的时间特性与整个所统计的时间的关系变化；频域分 析法是指从整体出发分析被分解的为不同频率的信号以 达到反映信号频率的组成情况；时频分析法是指运用处理 不平稳时变信号的有效方法从时域和频域的两方面同时 进行，对信号进行分析以描述柴油机的运行状态。
以下将 对柴油机的振动信号的提取及分析方法进行较为详细的3高铁动车组的日常检修3.1高铁动车修程修制高铁动车的检修都有一定的规定，在特定的时间和状 态下进行，在进行检修时一定要严格按照检修修程进行。
3.2高铁动车检修范围高铁动车的检修范围为一到五级检修，一般一二级检 修在动车段中即可进行，而三到五级检修需要返厂检修。
机械振动故障诊断中的特征提取与分析
机械振动故障诊断中的特征提取与分析在机械工程领域，振动是一种常见的现象。
机械设备的振动问题不仅会降低工作效率，还可能导致故障和损坏。
因此，进行机械振动故障诊断变得至关重要。
在振动故障诊断中，特征提取与分析是非常重要的步骤。
特征提取是指从振动信号中提取有用信息的过程。
通常，我们将振动信号分为时域信号和频域信号进行分析。
在时域中，我们可以通过计算信号的均值、方差、峰值等统计量来获取振动信号的特征。
这些统计量对于描述振动信号的整体特性非常有用。
而在频域中，我们可以通过傅里叶变换将时域信号转变为频域信号，进而得到功率谱密度、频谱等特征。
特征提取只是第一步，接下来的关键是对特征进行分析。
特征分析的目的是找出与故障相关的振动特征，以便确定故障类型和位置。
特征分析可以通过比较不同特征之间的差异来实现。
例如，我们可以将正常运行时的振动特征和故障状态下的振动特征进行对比，以找出异常的地方。
此外，还可以利用数据挖掘和机器学习算法来自动分析振动特征，识别出故障模式。
在机械振动故障诊断中，特征提取和分析的选择十分关键。
不同的故障模式可能对应着不同的特征。
因此，我们需要根据具体情况选择合适的特征提取和分析方法。
常用的特征提取方法包括时域特征、频域特征和小波变换特征等。
在特征分析方面，常用的方法有包络分析、频谱分析、对比分析等。
特征提取和分析的结果可以帮助我们快速准确地判断机械设备的故障类型和位置，从而采取适当的修复措施。
例如，当我们发现某个特定频率的振动明显增强时，就可以判断存在谐波故障；当我们发现某个特定频率的振动信号突然消失时，就可以判断存在断裂故障。
因此，特征提取与分析在机械振动故障诊断中的作用不可或缺。
然而，特征提取与分析也面临一些挑战。
首先，振动信号可能受到噪声的干扰，降低了特征的准确性。
其次，故障模式可能不稳定，导致特征提取与分析的结果不一致。
此外，特征提取和分析所需的算法和方法也需要不断改进和优化，以适应机械设备故障诊断的需求。
柴油机缸盖振动信号典型特征提取
ｔ ｓ ／
（）Ａ车左５ ａ 缸振动信号小波降噪
（】Ａ 左 ５ ａ 车 缸振 动 信 号
ｔｌ ｓ
（）Ｂ车左 ５ 振 动信 号小 波 降噪 ｂ 缸
ｆ ／Ｓ
（）Ｂ 左５ 振 动 信号 曲轴 转 速 １９ ０ｒｒｉ） ０ ／ ｎ ａ
实车 试 验 及 振 动信 号 采 集
对某 型柴 油机 进行 了实 车测 试 ， 选用 了相 同型 号 、 同使 用 时问 （ 备使用 单位 习惯采 用发 动机 实 不 装 际 工 作 的 小 时数 表示 装 备 的 使 用期 ， 称 “ 托 小 简 摩 时” 的 ２台装 备 ， ） 并分别 用 Ａ 车 （ ２ 摩 托 小时 ） Ｂ ３０ 和 车 （０ ６ ０摩 托小 时 ） 示 。柴油 机为 四 冲程 、 冷 、 表 水 直 喷式 高 速柴 油 机 ， ２个 汽缸 分 两排 呈 Ｖ 型 排 列 （ １ 夹
崔 佳 星 ，江 鹏 程 ，王 战 军 ，朱栋 栋 ，冯 辅 周
（ 甲 兵工 程 学 院机 械 工 程 系 北 京 ， ０ ０ ２ （ 装 甲兵 装 备 技术 研 究 所 北 京 ， ０ ０ ２ 装 １０ ７ ） １０ ７ ）
摘 要 针 对 柴 油 机 缸 盖 振 动 信 号信 噪 比低 且 呈 非平 稳 特 性 ， 取 柴 油 机 振 动 信 号 的典 型 特 征 。 通过 分析 缸 盖 在 不 提 同时 刻 受 到 的 激 振 ， 断 汽 缸 各 个 部 件 的 工 作 情 况 ； 取 信 号 振 动 烈 度 ， 分 析 烈 度 与 柴 油 机 转 速 的 变 化 关 系 ， 判 提 并 为
左 ４缸 燃 烧 爆 发 ； 进 气 门 关 闭 ； Ｇ一 Ｈ一 燃 烧 爆 发 ； ｈ 汽 缸止点位 置 。 一
机械工程中的振动信号分析与故障诊断
机械工程中的振动信号分析与故障诊断引言振动是机械系统常见的现象之一，在机械工程领域中具有重要的意义。
振动信号的分析与故障诊断是机械工程师在日常工作中必须面对的挑战。
本文将探讨机械振动信号的分析方法和故障诊断技术，为机械工程师提供一些参考和指导。
一、振动信号的特点在机械工程中，机械系统的运动通常会产生振动信号。
振动信号具有以下几个主要特点：1. 频率特性：振动信号的频率可以提供有关振动的信息，可以判断是否存在某种故障。
2. 幅值特性：振动信号的振幅可以反映机械系统的振动强度，从而判断是否超出了设计范围。
3. 相位特性：振动信号的相位可以提供机械系统的动态特性。
二、振动信号的分析方法1. 傅里叶变换：傅里叶变换是一种常用的频域分析方法，可以将时域信号转换为频域信号，以便更好地理解振动信号的频率特性。
2. 小波分析：小波分析是一种比傅里叶变换更适合分析非平稳信号的方法。
它可以提供更详细的时间-频率信息，有助于故障的定位和诊断。
3. 时间域分析：时间域分析是一种直观的方法，可以观察振动信号的波形和振动特征。
通过对振动信号的包络线、峰值、峰-峰值等进行分析，可以获得有关机械系统的信息。
4. 频域分析：频域分析是通过对振动信号进行傅里叶变换或者功率谱分析，得到信号在频率上的分布情况。
通过分析频域中的谐波和频谱特性，可以判断机械系统是否存在故障。
三、振动信号的故障诊断振动信号的分析可以为机械系统的故障诊断提供有力的依据。
以下是几种常见的故障诊断方法：1. 基于特征提取的诊断方法：通过对振动信号提取特征参数，如频率、能量、幅值等，建立故障特征库，与已知故障特征进行对比，从而进行故障诊断。
2. 基于模式识别的诊断方法：利用机器学习、模式识别等方法，将振动信号与已知故障情况进行比较，通过建立分类模型进行故障识别和分类。
3. 基于故障共振的诊断方法：当机械系统存在故障时，常会引起共振现象。
通过分析振动信号的共振频率和共振特征，可以确定机械系统是否存在故障。
振动信号特征提取与故障诊断应用研究
振动信号特征提取与故障诊断应用研究振动信号是机械运行状态监测的重要手段之一。
在工业生产和机械设备维护中，振动信号的特征提取和故障诊断关系到机械运行的安全性、可靠性和经济效益。
因此，振动信号特征提取与故障诊断应用研究是机械工程领域的重要研究课题之一。
一、振动信号特征提取振动信号特征提取是指从振动信号中提取有效信息，用于刻画机械设备的运行状态。
振动信号的特征提取包括时域分析、频域分析和时频域分析等方面。
1. 时域分析时域分析是指对振动信号进行统计分析，获取信号的平均值、峰值、均方根值、峰峰值、波形因子等特征参数。
时域分析相对来说比较简单，可以直观地反映振动信号的特征。
但是，时域分析无法清晰地揭示振动信号的频率内容信息。
2. 频域分析频域分析是指将振动信号转换为频率域，分析信号的频率和幅值。
通过对信号的快速傅里叶变换（FFT）等方法进行频域分析，可以得到信号的功率谱密度和频率响应特征参数。
频域分析是对时域分析的补充，可以从频域层面上清晰地反映振动信号的频率成分。
3. 时频域分析时频域分析是指将振动信号转换为时间-频率二维平面，分析信号的时域和频域变化。
时频域分析是频域分析和时域分析的结合，可以全面、准确地反映振动信号的特征。
时频域分析方法有小波变换和自适应谱估计等。
二、故障诊断应用研究振动信号特征提取是故障诊断的基础。
在更精细化的振动信号特征提取基础上，结合机械故障诊断的专业知识，可以实现精准诊断和预测机械故障的可能性和严重性。
如下为一些常见故障的振动信号特征和诊断方法。
1. 轴承故障轴承故障通常表现为信号在特定频率上产生异常的谐波分量，如分界频率、特征频率等。
其中，针对不同类型的轴承故障，相应的特征频率也会有所不同。
比如，滚动体轴承的特征频率通常是轴承公转频率和滚动体旋转频率之间的差值。
2. 齿轮故障齿轮故障通常表现为信号中频率为齿轮减速器共振频率的谐波分量。
由于不同齿轮故障的特征频率差异较小，所以齿轮故障的诊断需要结合时域、频域和时频域特征综合分析。
机械振动信号的特征提取与故障诊断技术研究
机械振动信号的特征提取与故障诊断技术研究机械振动信号的特征提取与故障诊断技术研究摘要：机械振动信号是一种重要的故障特征，可以用于机械设备的故障诊断和故障预测。
本文介绍了机械振动信号的特征提取方法，包括时域、频域和时频域特征提取方法，并详细探讨了各种特征提取方法在机械故障诊断中的应用。
同时，还介绍了一些先进的机械故障诊断技术，如神经网络、支持向量机和深度学习等，并阐述了它们在机械振动信号的故障诊断中的应用。
最后，通过实验证明了机械振动信号的特征提取与故障诊断技术的有效性和可行性。
关键词：机械振动信号；特征提取；故障诊断；神经网络；支持向量机；深度学习1. 引言在工业生产中，机械设备的故障会导致生产效率下降和维修成本增加，因此及时准确地检测和诊断故障对于工业生产的稳定性和经济效益非常重要。
机械振动信号是一种重要的故障特征，通过对机械振动信号的分析和处理，可以检测到机械设备的故障，并进行故障诊断和故障预测。
2. 机械振动信号的特征提取方法2.1 时域特征提取方法时域特征是指从时间序列中提取的特征。
常用的时域特征有均值、方差、峰值、峭度和波形因子等。
2.2 频域特征提取方法频域特征是指从频谱中提取的特征。
常用的频域特征有频谱能量、频率峰值、频率谐波等。
2.3 时频域特征提取方法时频域特征是指从时频图中提取的特征。
常用的时频域特征有瞬态信息、能量分布和时频矩等。
3. 机械故障诊断技术3.1 神经网络神经网络是一种模拟人脑神经元网络的计算模型，可以用于模式识别和故障诊断。
通过训练神经网络，可以从机械振动信号中提取故障特征，并进行故障诊断。
3.2 支持向量机支持向量机是一种基于统计学习理论的分类算法，可以用于机械振动信号的故障诊断。
支持向量机通过构建一个最优超平面，将样本分为两个类别，并通过最大化间隔实现分类。
3.3 深度学习深度学习是一种通过构建多层神经网络来提取特征的机器学习方法，可以用于机械振动信号的故障诊断。
机械振动信号的特征提取与故障诊断方法研究
机械振动信号的特征提取与故障诊断方法研究机械振动信号是指机械系统中产生的振动波形信号，通常包括振动信号的振幅、频率、相位等信息。
在工业领域中，机械振动信号的特征提取和故障诊断方法的研究具有重要意义。
本文将对机械振动信号的特征提取和故障诊断方法进行探讨。
一、特征提取方法特征提取是指从机械振动信号中提取有用的信息，用于描述和分析振动信号的特征。
不同特征提取方法适用于不同类型的振动信号。
常用的特征提取方法包括时域分析、频域分析和小波分析。
时域分析方法主要是通过观察信号在时间域上的波形特征，如振幅、周期、脉冲宽度等，来判断机械系统的运行状态。
时域分析方法简单直观，适用于分析周期性或频率较低的振动信号。
频域分析方法则通过将信号转化为频谱图，分析振动信号在不同频率上的分布情况，来获得振动信号的频率特征。
常用的频域分析方法包括傅里叶变换和功率谱密度分析。
频域分析方法适用于分析复杂振动信号，能够有效地提取出信号的频率信息。
小波分析方法结合了时域分析和频域分析的优点，能够在时频域上同时提取信号的特征。
小波分析方法将信号分解成不同尺度的小波系数，通过分析小波系数的变化来提取信号的时频特征。
小波分析方法适用于分析非线性信号和非平稳信号。
二、故障诊断方法故障诊断是指通过对机械振动信号进行分析和处理，判断机械系统是否存在故障，并确定故障的类型和程度。
常用的故障诊断方法包括时域振动图谱分析、频谱图谱分析和模式识别。
时域振动图谱分析是指通过绘制振动信号的时域波形图和频谱图的结合，分析振动信号的时域和频域特征。
通过对比正常运行状态下和故障状态下的振动图谱，可以判断机械系统是否存在故障。
频谱图谱分析是指通过绘制振动信号的频谱图，分析振动信号在不同频率上的分布情况来判断故障类型。
不同类型故障在频谱图上会有不同的频率峰值或谐波分量，通过对比频谱图可以准确诊断故障。
模式识别方法则是利用机器学习和人工智能技术，通过对大量振动信号进行训练和学习，建立故障模式库。
机械振动信号的特征提取与分析方法研究
机械振动信号的特征提取与分析方法研究引言：机械设备在运行过程中，产生的振动信号是一种常见的现象。
这些振动信号包含着丰富的信息，可以提供机械设备运行状态的相关特征。
因此，提取和分析机械振动信号的特征，对于设备故障诊断和健康管理具有重要意义。
一、机械振动信号的特征提取方法1. 时域分析时域分析是最常用的特征提取方法之一。
它通过观察振动信号的波形，获得振动信号的幅值、峰值、均值等特征。
此外，时域分析还可以通过计算振动信号的统计量，如方差、标准差等，来量化振动信号的变动性。
2. 频域分析频域分析是另一种常用的特征提取方法。
它通过将振动信号转化为频谱，来研究振动信号在不同频率上的分布。
常见的频域分析方法有傅里叶变换、小波分析等。
频域分析可以帮助我们找出振动信号中的特定频率分量，从而判断机械设备是否存在异常。
3. 瞬时参数提取瞬时参数提取是一种特殊的特征提取方法，它关注振动信号的瞬时变化。
通过利用瞬时参数提取方法，我们可以获得机械设备故障时的瞬时振动特征，从而更准确地判断设备运行状态的变化。
二、机械振动信号的特征分析方法1. 统计学方法统计学方法是最常用的特征分析方法之一。
它基于振动信号的统计特征，如均值、标准差等，进行故障诊断和健康管理。
我们可以通过比较不同状态下的统计特征，来判断机械设备的运行状态。
2. 时频分析方法时频分析方法结合了时域和频域分析的优势，可以对振动信号的瞬时特性和频率特性进行分析。
常见的时频分析方法有短时傅里叶变换、时频分布等。
时频分析方法可以帮助我们更直观地观察振动信号的时域和频域特征，以便更好地理解设备的运行状态。
3. 机器学习方法机器学习方法是近年来兴起的一种特征分析方法。
它利用机器学习算法对振动信号进行建模和分类，从而实现设备故障的自动检测和诊断。
机器学习方法具有较强的自适应性和泛化能力，可以在不断学习的过程中提高诊断和预测的精度。
结论：振动信号的特征提取和分析方法对于机械设备的故障诊断和健康管理至关重要。
基于振动信号的发动机故障诊断方法分析
基于振动信号的发动机故障诊断方法分析随着现代技术的不断发展，发动机故障诊断方法也在不断完善，其中基于振动信号的故障诊断方法被广泛应用于发动机领域。
振动信号是一种反映机械系统运行状态的重要信号，通过对振动信号进行分析可以有效地检测发动机内部的故障，提高发动机的可靠性和性能。
本文将对基于振动信号的发动机故障诊断方法进行详细分析。
首先，基于振动信号的发动机故障诊断方法主要包括信号采集、信号处理和故障诊断三个步骤。
在信号采集阶段，通过加速度传感器或振动传感器等设备对发动机进行实时监测，获取振动信号数据。
在信号处理阶段，通过数字信号处理技术对采集到的振动信号数据进行滤波、去噪、特征提取等处理，提取出有效的特征参数。
在故障诊断阶段，利用人工智能、模式识别、神经网络等方法对特征参数进行分析和判断，识别出发动机的故障类型和位置。
其次，基于振动信号的故障诊断方法在实际应用中具有许多优点。
首先，振动信号反映了机械系统内部的运行状态，对发动机故障有很强的敏感性和准确性。
其次，基于振动信号的故障诊断方法可以实现在线监测和实时诊断，及时发现和处理发动机的故障。
另外，振动信号采集方法简单、成本低廉，适用于不同类型的发动机和不同工况下的故障诊断。
然而，基于振动信号的发动机故障诊断方法也存在一些挑战和局限性。
首先，振动信号受到环境噪声和干扰的影响，可能会导致信号的失真和误判，影响故障诊断的准确性。
其次，振动信号的特征参数提取较为复杂，需要针对不同类型的故障设计不同的特征提取方法，增加了故障诊断的难度。
此外，基于振动信号的故障诊断方法通常需要大量的实验数据和专业知识来支撑，对操作人员的要求较高。
综上所述，基于振动信号的发动机故障诊断方法在提高发动机可靠性和性能方面具有重要意义，但也面临着一些挑战和难点。
为了更好地解决这些问题，可以结合其他传感器信息进行多参数融合分析，提高故障诊断的准确性和可靠性；利用人工智能和深度学习技术对振动信号进行智能化处理和分析，实现自动化故障诊断和预测。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
柴油机振动信号特征提取与故障诊断方法探讨
【摘要】柴油机作为动力机械，其运行状态的好坏，直接影响到成套设备的工作状况。
因此，对其进行运行状态监测和故障诊断，确保设备处于最佳运行状态，提高设备维修质量和效率是十分必要的。
本文应用了小波包提取了特征值并用BP网络进行了故障识别。
【关键词】柴油机;故障诊断
1.柴油机故障诊断现状[1-3]
柴油机故障诊断技术是通过分析处理柴油机运行时的状态信息，定量识别其技术状态、并预测异常故障状态的一门多学科交叉的综合技术。
柴油机故障诊断和其它类型机械的故障诊断一样，首先必须对故障进行机理研究，以故障信号的检测技术及信号处理技术为基本技术，以故障信号处理和特征提取理论为基本理论，以基于信号处理及特征提取的故障类型识别方法为基本方法。
近年来，针对柴油机故障诊断的研究工作有了较大的发展，但尚未达到在工程实际中有效应用的水平，主要原因是对基本技术的研究和各类故障、特别是综合故障案例和图谱的积累工作已跟不上诊断基本理论和方法研究的快速发展。
从工程应用的角度出发，综合应用测试技术、小波分析、经验模式分解、混沌数值特征、BP神经网络、支持向量机等理论，对柴油机缸盖振动信号中故障特征信息的提取、柴油机故障状态的识别诊断是目前较为普遍和常用的方法。
图1 时域信号分析
2.柴油机缸盖振动信号采集
利用缸盖振动信号对柴油机进行故障诊断，需要建立缸盖振动信号采集系统并采集柴油机在不同工作状态下的缸盖振动信号。
测点选择的好坏直接影响到所采集的信号，并决定着后续的处理和分析工作的难易程度。
测点的选择必须遵循两个原则：一是测点要能充分地反映被测对象的工作信息，应具有信号稳定、信噪比高、对故障敏感等特点;二是测点的选择必须便于安装和测试，尽可能不影响机器的运行状态，在生产实际中切实可行。
人为给柴油机设置四类故障：排气门间隙异常、进气门间隙异常、供油提前角异常和供油压力异常等，采集不同工作状态下的柴油机缸盖振动信号。
S195型柴油机正常情况下，排气门间隙为0.45mm，进气门间隙为0.35mm，供油提前角为18oCA，喷油压力为12.5MPa。
其时域波形图如图1所示。
图2 能量分布图
3.柴油机振动信号特征参数提取[4，5]
柴油机缸盖振动信号具有非平稳性，出现故障时，这种非平稳性表现得更加明显。
因此，在利用缸盖振动信号对柴油机故障诊断过程中，如何从非平稳的振动信号中提取故障特征信息，是故障诊断成功与否的关键所在。
由于傅里叶变换是一种整体变换，即对信号的表征要么完全在时域，要么完全在频域。
对于时变的非平稳信号，往往希望得到信号频谱随时间的变化情况，即信号的时频表示，显然用傅里叶变换具有局限性。
小波分析是一种适合于非平稳信号的信号处理方法，本章研究基于小波分析的柴油机振动信号特征提取。
图3 BP神经网络结构图
图4 BP算法流程图
应用小波包变换将柴油机缸盖振动信号分解到不同频带内，使得本不明显的信号频率特征在不同分辨率的若干子空间中以显著的能量变化形式表现出来，这样便于提取出能够揭示柴油机不同工作状态的特征信息。
将小波包分解的结果按照能量的方式来表示，就是小波包能量谱方法。
选取各个子空间（频带）内信号的平方和作为能量的标志，对于子空间，小波包变换结果表示为序列，其中M为该子空间的样本长度，各频带的能量为Gi。
小波包分解，令总能量为G，可以计算出各频带的相对能量比值G’i，其中Gi、G和G’i 三者的计算公式如下：
小波包能量距分布和小波包能量分布之间差别不大;不同排气门间隙下，小波包能量分布不同。
所以可用缸盖振动信号小波包能量分布描述柴油机不同排气门间隙的变化。
如图2所示。
4.基于BP神经网络故障诊断[6，7]
应用小波提取的特征值数据，归一化作为样本数据，每种工况前两组作为测试样本后一组作为训练样本，其数据如表1所示。
故障诊断过程包括特征信号获取、故障特征信息提取和状态识别等部分。
识别柴油机的故障类别是柴油机故障诊断的又一重要环节，其实质是一个典型的模式识别问题。
本章基于BP网络柴油机的故障，包括故障特征向量的构建和故障类别识别两部分内容。
BP神经网络算法已经成为目前使用最为广泛的学习算法，根据调查将近90%的神经网络应用是基于此算法的。
标准的BP神经网络主要由三层结构组成，即输入层、隐含层与输出层。
结构图如图3所示、流程图如图4所示、其训练过程图如图5所示。
图5 BP网络训练图
BP神经网络在对柴油机故障进行诊断时，有着较好的诊断准确度100%，训练步数是16，训练精度是0.000898。
6.结语
在柴油机故障现代诊断技术中，基于振动信号分析的诊断方法显示出了其优越性。
本文对于振动信号的小波包能量谱提取加上神经网络的诊断，对数据有着很高的准确性，可作为柴油机故障诊断有效思路之一。
参考文献
[1]曹龙汉，曹长修，孙英楷.柴油机故障诊断技术的现状及展望[J].重庆大学学报（自然科学版），2001，24（6）：134-138.
[2]陈长征，周永.小波神经网络在柴油机故障诊断中的应用研究[J].内燃机学报，2002，20（1）：89-91.
[3]程永康，宓为建.基于小波分析的柴油机配气机构故障诊断[J].上海海运学院学报，2001，22（3）：123-126.
[4]曹建军，张培林，张英堂等.发动机缸盖振动信号特征提取与优化选择算法[J].机械科学与技，2008，27（9）：1199-206.
[5]陈保家，李力，张园.尺度—小波能量谱在内燃机故障诊断中的应用[J].内燃机学报，2006，4（3）：284-287.
[6]范金宇，黄加亮.神经网络技术在船舶柴油机故障在线诊断中的应用研究[J].中国修船，2006（6）：49-52.
[7]张来斌，刘守道，王朝晖.基于神经网络的柴油机燃烧系统故障诊断[J].内燃机学报，2000，13（4）：370-374.。