基于振动信号分析的内燃叉车发动机故障诊断方法研究

摘要：发动机内部复杂的机械运动与燃烧进程会产生多维振动信号，这些信号中蕴含着大量与故障相关的特征信息。传统故障诊断方式过度依赖人工经验以及定期拆解检测，存在诊断效率低下、准确度欠佳、实时性不足等问题。本文将研究重点置于振动信号分析技术，深入剖析其在内燃叉车发动机故障诊断中的应用。

关键词：内燃叉车；发动机故障诊断；振动信号分析；特征提取；模式识别

中图分类号：G271文献标识码：A

引言

发动机在运行过程中，活塞、曲轴、连杆等部件的往复运动与旋转运动会产生振动，不同故障类型会引发振动信号特征的变化。通过对振动信号进行采集、分析与处理，能够提取故障特征信息，实现发动机故障的精准诊断与早期预警。因此，研究基于振动信号分析的内燃叉车发动机故障诊断方法具有重要的理论意义与实际应用价值。

1振动信号分析理论基础

1.1振动信号产生原理

内燃叉车发动机的振动是由多种激励源共同作用产生的。在燃烧过程中，气缸内燃气的爆发压力会通过活塞、连杆传递至曲轴，引发曲轴的扭转振动与弯曲振动。同时，活塞在气缸内的往复运动会产生惯性力，导致发动机整体产生振动。此外，发动机的配气机构、润滑系统、冷却系统等部件的不平衡运动与摩擦也会产生振动信号。这些振动信号经发动机结构传递至外壳，形成可测量的振动响应。

1.2振动信号特征指标

振动信号的特征指标是故障诊断的重要依据。常见的特征指标涵盖时域特征指标与频域特征指标。时域特征指标主要包括均值、方差、峰值、峭度等，它们能够反映振动信号的统计特性与能量分布状况。例如，均值可表示振动信号的平均水平，方差能反映振动信号的离散程度，峰值可体现振动信号的最大振幅，峭度可反映振动信号的冲击特性。频域特征指标则是通过对振动信号进行傅里叶变换得到的，主要包括频率成分、幅值谱、功率谱等[1]。

2基于振动信号分析的故障诊断流程

2.1振动信号获取

振动信号获取是故障诊断的基础环节。为获取准确、可靠的振动信号，需选择合适的传感器与采集系统。传感器通常安装在发动机的关键部位，如气缸盖、曲轴箱、飞轮壳等，以直接测量发动机的振动响应。采集系统应具备高精度、高采样率、宽频带等特点，能够实时、准确地采集振动信号，并将其传输至计算机进行后续处理。在采集过程中，还需注意传感器的安装方向、固定方式等因素，以减少外界干扰对振动信号的影响。

2.2信号预处理

采集到的振动信号往往包含大量噪声与干扰成分，需进行预处理以提高信号质量与信噪比。常见的信号预处理方法包括滤波、降噪、归一化等。滤波处理可通过设置合适的滤波器参数，去除信号中的高频噪声与低频干扰成分，保留故障特征频率成分。降噪处理可采用小波变换、经验模态分解等先进算法，将振动信号分解为不同的模态分量，去除噪声模态，重构纯净的振动信号。归一化处理则是将振动信号的幅值范围调整至统一尺度，便于后续的特征提取与模式识别。

2.3特征提取

特征提取是从预处理后的振动信号中提取能够反映故障特征的关键信息。常用的特征提取方法有时域特征提取、频域特征提取及时频域特征提取。时域特征提取可直接从振动信号的时域波形中计算得到，如上述提及的均值、方差、峰值等。频域特征提取则是通过对振动信号进行傅里叶变换，得到信号的频谱，进而提取频率成分、幅值谱等特征。时频域特征提取方法结合了时域与频域分析的优势，能够同时反映振动信号的时变特性与频域特性。常用的时频域分析方法包括短时傅里叶变换、小波变换、希尔伯特-黄变换等，通过这些方法可得到振动信号的时频分布图，从中提取故障特征频率与能量分布等特征[2]。

2.4模式识别

模式识别是根据提取的特征参数对发动机故障类型进行分类与识别。常用的模式识别方法有支持向量机、神经网络、决策树等。支持向量机是一种基于统计学习理论的分类方法，它通过寻找最优分类超平面，将不同故障类型的特征向量分开，具有较好的泛化能力与分类精度。神经网络是一种模拟人脑神经元结构的智能算法，它可通过大量的训练样本学习故障特征与故障类型之间的映射关系，实现对故障的准确分类。决策树则是一种基于树结构的分类方法，它通过对特征参数进行逐步判断，将样本分类至不同的故障类型中，具有直观、易于理解的优点。在模式识别过程中，还需对分类模型进行训练与优化，以提高模型的分类准确率与鲁棒性。

3不同故障类型的振动信号特征与诊断策略

3.1气缸故障

气缸故障主要包括气缸磨损、气缸拉缸、气门间隙异常等。气缸磨损会使活塞与气缸壁之间的间隙增大，在活塞往复运动过程中产生异常振动。其振动信号在时域上表现为幅值波动增大，在频域上会出现与气缸磨损频率相关的特征频率成分。气缸拉缸是一种严重的故障，会导致活塞与气缸壁之间发生剧烈摩擦，产生强烈的冲击振动。其振动信号在时域上会出现明显的脉冲峰值，在频域上高频成分会显著增加。气门间隙异常会影响气门的开启与关闭时间，导致进排气过程不稳定，产生振动异常。其振动信号在特定频率段会出现幅值变化，通过分析这些频率成分可诊断气门间隙故障。针对气缸故障，可采用时域特征与频域特征相结合的方法进行诊断，提取振动信号的均值、方差、峰值以及特定频率成分的幅值等特征，输入到分类模型中进行故障识别[3]。

3.2曲轴故障

曲轴故障主要包括曲轴弯曲、曲轴裂纹、曲轴轴承磨损等。曲轴弯曲会导致曲轴的旋转中心发生偏移，产生不平衡振动。其振动信号在时域上表现为周期性的振幅变化，在频域上会出现与曲轴旋转频率相关的倍频成分。曲轴裂纹会在裂纹处产生应力集中，导致振动信号中出现高频冲击成分。曲轴轴承磨损会使轴承间隙增大，产生松动振动。其振动信号在时域上幅值会逐渐增大，在频域上低频成分会增加。对于曲轴故障，可通过分析振动信号的时域周期性、频域倍频关系以及高频冲击成分等特征进行诊断，利用小波变换等时频域分析方法提取故障特征频率，结合模式识别算法实现故障类型的准确分类。

3.3配气机构故障

配气机构故障主要包括气门弹簧失效、凸轮轴磨损、摇臂故障等。气门弹簧失效会导致气门关闭不严，产生漏气振动。其振动信号在时域上会出现气门开启与关闭时刻的异常振动，在频域上特定频率成分会发生变化。凸轮轴磨损会使凸轮轮廓发生变化，影响气门的升程与运动规律，产生振动异常。摇臂故障则会导致摇臂与气门之间的接触不良，产生振动冲击。针对配气机构故障，可提取振动信号在气门开启与关闭时刻的时域特征，以及与配气机构运动频率相关的频域特征，利用神经网络等分类算法进行故障诊断[4]。

结束语

本文通过对基于振动信号分析的内燃叉车发动机故障诊断方法展开深入研究，构建了一套完整的故障诊断体系。从振动信号的产生原理与特征指标出发，详细阐述了振动信号采集、预处理、特征提取与模式识别的关键环节，分析了不同故障类型的振动信号特征与诊断策略。研究表明，基于振动信号分析的故障诊断方法能够精准识别内燃叉车发动机的常见故障类型，具有实时性强、准确率高、非侵入性等优点，为内燃叉车的安全稳定运行及智能化维护管理提供了可靠的技术保障。

参考文献

[1]赵若希.750kV高压并联电抗器的振动测试与故障分析[J].中国新技术新产品，2023（20）：58-60.

[2]杨凯东.变压器绕组的振动信号检测方法分析[J].电子技术，2023，52（5）：304-306.

[3]吴欣烨.面向振动信号多特征值的电力变压器故障检测方法分析[J].中国高新科技，2023（15）：85-87.

[4]季树海，王波，孙本鹤，等.振动分析在风电机械设备故障诊断中的运用分析[J].电力设备管理，2021（08）：125-126+136.