气门是柴油机的主要运动部件之一,它的工作好坏直接影响到柴油机的换气效果。由于气门运动十分频繁,且伴有不断的冲击,因此很容易发生磨损导致气门间隙发生改变,这会导致柴油机输出功率下降,严重时可能会引起其它部件的故障进而危及到整台机组和现场工作人员的安全。因此,准确及时地诊断出气门间隙异常的故障对于保障柴油机的工作效率和工作安全起着十分重要的作用。目前,基于振动信号的诊断方法因其具有信号便于采集和监测等优点被许多研究人员用于柴油机的故障诊断中。特别是缸盖振动信号,包含了大量关于气门冲击的有效信息。然而柴油机本身结构较为复杂,振动传播的路径较多,缸盖振动信号一般表现出明显的非平稳特性。如何更加有效的从采集到的缸盖振动信号中提取到表征气门间隙异常的敏感故障特征,以及对于不同的故障类别进行准确的识别是目前基于缸盖振动信号分析的气门间隙异常的故障诊断技术中两个急需解决的关键性问题。本文基于上述关键性问题,主要进行了以下几方面的实验和研究:(1)在变工况条件下进行了气门间隙异常的故障模拟实验。针对现场实际机组搭建了成套状态监测系统,对气门间隙增大时缸盖振动信号进行了监测,并采集了7种不同气门间隙状态的振动信号。在时域上,分析了冲击信号在一个周期振动信号中的相对位置;在频域上,对缸盖振动信号中各激励产生的冲击成分所处的频段范围进行了研究。(2)对比分析了不同的非平稳信号处理方法,主要包括:小波包分解,集合经验模态分解以及变分模态分解。在详细介绍原理基础之上,研究了变分模态分解的参数优化选择方法和气门间隙异常的故障特征提取方法,依据最小功率谱熵值原理,实现了惩罚因子和分解层数的自适应选取。对处理后的信号提取了时域、频域和奇异值等特征。(3)研究了多种特征降维处理方法和基于机器学习的故障模式识别方法。首先,利用t-分布邻域嵌入算法将高维特征降至三维,进行了可视化分析,k-最近邻算法中通过分析最高识别率下的k值来确定最优参数;然后,利用核主成分分析方法进行非线性降维,依据特征贡献率了选定能表征90%原始特征信息的低维特征;最后,基于随机森林中的特征重要性得分进行了特征选择。将小波包分解和支持向量机结合,集合经验模态分解和k-最近邻结合,变分模态分解-奇异值分解和随机森林结合,对这三种故障诊断方法进行了对比分析。