柴油机作为目前广泛应用的常规动力源之一,在工业、农业、交通运输以及国防等领域发挥着重要的作用。由于柴油机结构复杂、零部件较多且缸内爆发压力相对较高,并且经常处于恶劣的环境下运行,柴油机发生故障的概率较大。柴油机一旦发生故障可能造成非常严重的后果甚至导致事故的发生。因此,开展柴油机故障诊断方法的研究以提高柴油机故障诊断的正确率对于完善复杂机构不解体故障诊断的理论体系和提高柴油机可靠性具有十分重要的理论研究与工程应用价值。柴油机的振动信号中包含着丰富的柴油机工作状态信息,且振动测试方法简单、技术成熟,因此基于振动信号分析的故障诊断方法研究得到众多学者的青睐。此类研究需要解决两个关键问题,一是从复杂的振动信号中提取故障特征信息,二是利用故障特征信息进行故障模式识别。论文研究搭建了柴油机试验台架,设置了不同程度的气门间隙异常、供油量不足、共轨压力异常和喷油提前角异常等典型的柴油机故障状态,用以验证论文所开展的研究方法对不同故障的诊断正确率。柴油机振动信号是一种复杂的宽频信号,直接从中提取故障源信号及其特征信息难度很大,需要研究合适的算法对信号进行分析。通过对现有算法的研究对比,论文选用了变分模态分解(Variational Mode Decomposition,VMD)作为振动信号的前置分解算法。该算法相较于传统的递归分解算法鲁棒性更好,然而该算法中的部分参数需要人为选取且无公认的选择标准。为此,论文对VMD算法的分解层数K以及二次惩罚因子两个关键参数进行了优化。首先使用相关系数作为筛选有效分量的条件提出了一种自适应的K值选取方法,经过模拟信号以及试验信号的验证,该方法能对不同信号进行自适应分解,得到相关度较高的窄带信号。然后,根据观察大量信号分解结果的参数变化规律给出了合适的值选取范围。选择合适的故障特征参数与恰当的故障模式识别方法以使不同类型故障具有显著区分度是提高故障诊断正确率的关键。论文采用计算效率和准确率较高的核模糊C-均值聚类算法(Kernel Fuzzy C-means Clustering,KFCM)作为柴油机故障的模式识别算法。之后,对VMD的分解结果进行特征参数的提取,将特征参数组输入KFCM算法之中进行故障分类诊断。论文使用了多种不同的特征参数进行故障分类诊断,发现使用最大奇异值参数时诊断正确率最高。诊断结果表明对于气门间隙异常、供油量不足、喷油共轨压力异常以及喷油提前角异常四种故障,优化VMD-KFCM联合方法分别能达到98.7%、98.6%、96%、93.3%的诊断正确率,对于多类故障同时诊断的正确率为94%。在故障诊断正确率方面,优化VMD-KFCM联合算法明显优于EMD-KFCM和原始VMD-KFCM算法。研究结果证明论文提出的优化VMD-KFCM联合算法对于柴油机典型故障诊断技术开发具有一定的指导意义。