技术特征：
1.一种基于振动和热工参量融合的油泵磨损故障诊断方法，其特征在于，包括以下步骤：s1.对柴油机试验，多源信心采集；s2.基于多尺度多源信息融合相位熵对柴油机振动信号和热工参数信息融合特征提取；s3.构建多故障模式诊断模型；s4.实现内燃机缸内燃烧状态模式识别；其中：所述步骤s1的具体流程为：设定试验工况如下：1400r/min，50％负荷下的柴油机2缸缸盖振动信号、2缸缸内缸压信号和转速信号，采样频率为51200hz，采样时间为20s；针对柴油机高压油泵磨损故障诊断，分别进行正常、高压油泵柱塞磨损状态下的柴油机台架试验，采集不同运行状态下柴油机多源信息；所述步骤s2的具体流程为：根据时间序列多尺度化方法分别对采集的多源信号进行多尺度化分析，再将多尺度化后的多源信息输入到多源信息融合相位熵算法中；通过上述步骤，计算柴油机不同运行状态下的多尺度多源信息融合相位熵值，构建柴油机正常及高压油泵磨损故障识别的特征参量样本集。2.根据权利要求1所述的一种基于振动和热工参量融合的油泵磨损故障诊断方法，其特征在于，所述时间序列多尺度化方法的流程为：设给定一组1维数据{x(n)＝x(1)，x(2)，......，x(n)}，通过公式(1)得到多个时间尺度下的短数据：其中:s为正整数，是多尺度化因子；m
j
被分割成s个长度为的短数据m
j
(s)。3.根据权利要求2所述的一种基于振动和热工参量融合的油泵磨损故障诊断方法，其特征在于，所述多源信息融合相位熵算法的流程为：s21.设给定柴油机多源数据将各维数据分别归一化处理后，通过多维度嵌入方法公式(2)，得到多源信息融合后的数据s
p
：其中，i代表每个源信号的数据样本点，p代表具体信息源数量，j＝1，2，...，n-(m1)*d；m＝[m1，m2，..，m
p
],d＝[d1，d2，...，d
p
]分别表示多源信息嵌入维度和时时间延迟因子，为简化计算，取mk＝m，dk＝d；s22.计算多维数据的均值，得到融合后的一维时间序列s
mean
s
mean
(j)＝mean(s
p
(j)),j＝1，2，...，n-(m-1)*d(3)
s23.计算s
mean
数据的相位熵。4.根据权利要求3所述的一种基于振动和热工参量融合的油泵磨损故障诊断方法，其特征在于，所述相位熵的计算步骤如下：根据公式(4)计算得到两个序列y(n)和x(n)：y(n)＝s
mean
(n+2)-s
mean
(n+1)，x(n)＝s
mean
(n+1)-s
mean
(n)(4)计算得到y(n)和x(n)的斜率，并通过四象限反正正切函数，转化为角度θ(n)∈0～2π，将θ(n)划分为k等分，并计算每个等分内的累计斜率s
θ
：其中，，i＝1，2，...，k,m
i
为每个等分内的斜率值数量；计算每个等分部分累计斜率s
θ
(i)占所有斜率的比值，得到每个等分的分布p(i)，i＝1，2，...，k；根据香农熵的定义，计算多源信息融合相位熵mp haseen5.根据权利要求1所述的一种基于振动和热工参量融合的油泵磨损故障诊断方法，其特征在于，所述步骤s3的具体流程为：s31.设柴油机k种状态下的数据，每种状态取n个样本，共计k*n个样本；s32.分别计算所有样本的多尺度多源信息融合相位熵，得到故障特征集{m
k
，k}，m
k
∈r
n*τ
；s33.将每一种状态下的t组数据作为训练集和(n-t)组数据作为测试集s34.设置lapsvm模型核函数及核函数参数，将训练集和测试集作为输入，输入到lapsvm模型中进行训练和测试，输出柴油机所处的状态。6.根据权利要求1所述的一种基于振动和热工参量融合的油泵磨损故障诊断方法，其特征在于，所述步骤s4的具体流程为：将未知状态的柴油机缸盖振动信号、缸压信号和转速信号，计算多尺度多源信息融合相位熵特征参量，输入到上述训练好的lapsvm模式识别模型中，即可实现柴油机运行状态的识别和诊断。
技术总结
本发明公开了一种基于振动和热工参量融合的油泵磨损故障诊断方法，能够充分利用柴油机多源信息，并且深度挖掘柴油机不同信号的模式信息，用以表征柴油机运行状态；同时，利用相比于支持向量机具有更好诊断精度的LapSVM故障模式诊断模型；最终本发明提出一种多尺度多源信息融合相位熵特征提取算法，将其用于柴油机多源信息融合特征表征中，结合LapSVM实现柴油机智能故障诊断，提出了一套新颖的基于柴油机多源信息融合的柴油机故障诊断方法，能够及时有效地识别柴油机运行状态，为柴油机维护人员提供参考，提升柴油机运行的动力性、经济性和安全性等性能。和安全性等性能。和安全性等性能。
技术研发人员：林杰威 朱小龙 张俊红 戴胡伟
受保护的技术使用者：天津大学
技术研发日：2022.08.18
技术公布日：2023/3/14