提出了一种基于经验模式分解(empirical mode decomposition,简称EMD)算法和变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的燃油系统故障诊断方法。利用EMD分解获得信号的本征模式函数(intrinsic mode function,简称IMF),选取前5个IFM的能量作为特征向量,提取信号的特征信息。利用VPMCD模式识别方法得到各故障特征值的预测模型,并利用预测模型对待诊断样本的故障类型进行了分类和识别。分析结果表明,该方法能够准确识别出燃油系统故障。
根据PT燃油系统共轨低压信号的特点,提出一种基于VPMCD(Variable predictive model basedclass discriminate,简称VPMCD)和DS证据理论的故障诊断方法。对信号的时域和时频域指标采用VPMCD方法分别进行建模,按照预测误差最小的原则对故障模式进行判断。当故障的模式难以判断时,将VPM模型作为证据体,由故障训练样本中心的输出确定证据体的信任度,按预测误差的均方根计算基本概率分配,最后采用DS证据理论对各证据进行合成及决策。实践表明,VPMCD与DS证据理论的结合使用能够准确识别出PT燃油系统故障。
前期研究工作提出了以预测均方根相对误差最小为回归目标的方法(Minimization of prediction relative error,MPRE),它能使得预测结果的均方根相对误差更小。偏最小二乘法(Partial least squares,PLS)是以预测均方根误差为回归目标,能使得预测结果的均方根误差更小。基于多模型结合的思想,提出将MPRE与PLS相结合的双模型结合多元校正方法。本方法步骤为:(1)分别采用MPRE与PLS法对校正集建模;(2)计算阈值;(3)分别采用已建立好的MPRE与PLS模型进行预测;(4)将预测结果与阈值进行比较,得到预测结果。通过对酒精的近红外光谱与汽油紫外光谱进行定量分析结果表明,本方法可进一步减小预测均方根误差与相对误差。
