CN108710889A - 一种汽车发动机缺缸故障诊断方法 - Google Patents
一种汽车发动机缺缸故障诊断方法 Download PDFInfo
- Publication number
- CN108710889A CN108710889A CN201810283390.6A CN201810283390A CN108710889A CN 108710889 A CN108710889 A CN 108710889A CN 201810283390 A CN201810283390 A CN 201810283390A CN 108710889 A CN108710889 A CN 108710889A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- automobile engine
- vibration signal
- signal
- band
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R13/00—Arrangements for displaying electric variables or waveforms
- G01R13/02—Arrangements for displaying electric variables or waveforms for displaying measured electric variables in digital form
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Engines (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
一种基于时域峭度融合小波包能量熵的汽车发动机故障诊断方法。其包括采集汽车发动机正常和缺缸工况下的振动信号并进行时域统计量特征提取:利用小波包变换的信号处理方法对上述振动信号进行频域特征提取:将峭度指标与小波包能量熵进行融合,得到特征向量:建立基于支持向量机的分类模型,并利用上述获得的特征向量对分类模型进行训练和测试,由此实现对汽车发动机单缸断火故障的诊断等步骤。本发明提供的汽车发动机缺缸故障诊断方法具有如下有益效果:能够对汽车发动机常见故障中的缺缸故障进行重点分析,可对汽车发动机典型故障实现充足的、有效的特征量提取和准确率较高的故障类型识别。
Description
技术领域
本发明属于基于振动信号的汽车发动机缺缸故障诊断技术领域,具体是涉及一种基于时域峭度融合小波包能量熵的信号处理方法来提取发动机缺缸故障特征并通过支持向量机实现了故障模式识别的汽车发动机故障诊断方法。
背景技术
由于汽车发动机的机械部分和电控系统具有极其复杂的构成,而且其工作环境通常相对恶劣,因此发生故障的概率在车辆整体中大概占据了40%。发动机缺缸主要指发动机有一个及以上的汽缸没有正常工作。通常表现为:发动机工作异常或动力不足,高、中、低速时发动机工作都不均匀并有节奏地振抖,消声器排黑烟并放炮。虽然发动机电子控制单元带有自诊断系统,但其主要针对传感器、执行器和微处理器等部件直接故障,而且代码繁杂且诊断能力有限,不能在故障初期及时发现并排除故障。这些故障一方面会造成机器损坏,影响设备的正常运转并带来安全隐患,另一方面会产生大量有害的废气,造成环境污染。因此,基于汽车发动机缺缸的故障诊断研究具有重要的经济意义和社会意义。
汽车发动机故障诊断主要分为两大步骤:对采集到的信号进行特征提取和模式识别。发动机缺缸故障诊断技术常用方法有传统经验诊断方法、状态参数分析法、磨损特征分析法、振声故障诊断法等,振声故障诊断法是目前高效、快速、自动化程度较高的一种方法,数据显示,70%以上的故障信息包含在汽车发动机的振动和声音信号中。通过采集并用信号处理技术对振声信号进行分析可以识别出汽车故障类型,是目前最常用、最有效的方法,成为国内外的研究重点。
基于对国内外研究现状的考察,发现目前对基于振动信号的发动机缺缸故障诊断技术的研究存在如下突出的问题。一方面是特征量提取不充足,可识别故障种类比较少,而且研究大多数只针对某一特定型号的发动机进行。另一方面,实验采集的故障样本不充足,故障识别正确率不够高或分类网络的训练时间过长。
发明内容
为了解决以上问题,本发明的目的在于提供一种基于时域峭度融合小波包能量熵的汽车发动机故障诊断方法,可以快速准确地从原始振动信号中提取出有效的、客观的、可衡量的特征量,通过计算机来实现对不同特征信号的辨别和分类,从而判断出汽车发动机是否存在缺缸故障。
为了达到上述目的,本发明提供的基于时域峭度融合小波包能量熵的汽车发动机故障诊断方法包括按顺序进行的下列步骤:
1)采集汽车发动机正常和缺缸工况下的振动信号并进行时域统计量特征提取:
分别采集现场实验中汽车发动机正常和缺缸工况下T组振动信号,每组振动信号作为一个样本,并对各组振动信号进行时域特征量的提取,对于给定振动信号x,常用的振动信号时域统计量包括绝对均值均方根xrms、方根幅值xr、偏度α和峭度β等有量纲参数,其中有量纲参数可以作为机械状态的直观反映,然后根据公式计算出两种不同工况下反映各样本所包含冲击情况和波形尖峭程度的峭度指标Ku,并将其作为故障诊断的初步依据来判定上述所采集到的振动信号中冲击成分的变化。
2)利用小波包变换的信号处理方法对上述振动信号进行频域特征提取:
由于汽车发动机结构和运行情况的复杂性,单一峭度指标作为故障特征量的敏感度较高,但稳定性不高,而且峭度指标给出的是振动信号整体的时域特征,不能区分出新冲击所带来的振动信号频率成分的变化。因此,需要进一步对振动信号的频域特征进行提取。
2.1)确定小波包分解层数
选择小波包变换的信号处理方法来实现非平稳故障信号的时频分析,在小波包变换过程中,采样频率设置为100kHz,小波包分解层数由待处理的振动信号的主要频率范围和采样频率确定。在100kHz的采样频率下,将小波包分解层数确定为四层,可以得到24个小波包,最终经过四层小波包分解后,S4,i表示振动信号经过四层小波包分解后所得到的子频带信号,i的取值范围从1-16,各子频带的宽度相等,从而将各子频带频率范围细化,达到在感兴趣的频率点提高频率分辨率的目的,进而得到能够更准确地反映振动信号特点的特征量。
2.2)确定小波基函数:
对于机械故障信号,dbN系列小波具有良好的正则性,能够得到平滑性较好的重构信号,可以更准确地反映故障特征。dbN小波中N表示阶数,其中二阶和五阶较为常用。分别以“db2”和“db5”作为小波基函数对汽车发动机两种不同工况下的振动信号进行四层小波包分解,并选取db2作为最终的小波基函数。
2.3)基于上述小波包分解层数和小波基函数获得小波包能量熵:
对上述采集的汽车发动机两种不同工况下的各组振动信号以“db2”作为小波基函数进行四层小波包变换。在100kHz的采样频率下,根据奈奎斯特定律,可以得到0-50kHz范围内16个等宽的正交子频带和16个小波包分解系数,并根据小波包分解系数重构出每个子频带对应的时域信号,得到每个子频带内重构信号的能量值Ei,其中i表示每组振动信号经过小波包分解后得到的各子频带编号。当汽车发动机出现某种故障时,会导致不同频带的能量分布发生变化。其中每个子频带的能量值Ei由公式计算得到,式中aj表示振动信号经过小波包分解后得到的每个子频带内的重构信号S4,i中每个离散点的幅值。
设每个子频带的能量值分别为E1,E2,...En,总能量值为则根据公式
可以计算得到每组振动信号经过小波包分解后各子频带内重构信号的小波包能量熵Hen。其中,pi=Ei/E表示每个子频带的能量值在总能量值中所占的百分比。选择小波包能量熵Hen作为反映汽车发动机故障特征的量值。
3)将上述步骤1)获得的峭度指标与步骤2)获得小波包能量熵进行融合,得到特征向量:
峭度指标和小波包能量熵在时域和频域上互补,能够为区分不同的汽车发动机工况提供更准确的依据。因此,将上述采集的T组振动数据的峭度指标和小波包能量熵融合,建立起表征各工况信号特征的特征向量MT×2,其表达式如下:
MT×2=[Ku1,Hen1;...;Kum,Henm;...KuT,HenT;]
其中T表示采集的振动信号组数;
4)建立基于支持向量机的分类模型,并利用上述获得的特征向量对分类模型进行训练和测试,由此实现对汽车发动机单缸断火故障的诊断:
为了建立基于支持向量机(SVM)的分类模型,选取上述所建立的每种工况下的特征向量MT×2的60%作为训练样本集的特征向量A60%T×2,并对特征向量A60%T×2进行初始化操作。SVM的分类模型的参数设置完毕后,将训练样本集中的各组特征向量分别输入SVM的分类模型中进行训练。
选取每种工况下剩余的40%的特征向量MT×2作为测试样本集的特征向量A'40%T×2,对特征向量A'40%T×2进行初始化操作。并将测试样本集中的各组特征向量分别输入到已经训练好的SVM的分类模型中进行测试,得到各种特征向量下的测试结果对比,由训练样本集建立的SVM的分类模型可以对汽车发动机两种不同的工况做出区分,从而实现对现场实验中所采集到的汽车发动机单缸断火故障的诊断。
本发明提供的汽车发动机缺缸故障诊断方法具有如下有益效果:
能够对汽车发动机常见故障中的缺缸故障进行重点分析,可对汽车发动机典型故障实现充足的、有效的特征量提取和准确率较高的故障类型识别。
附图说明
图1为本发明提供的基于汽车发动机故障诊断方法流程图。
图2为振动信号采集系统构成示意图。
图3为测试车发动机正常工况下的信号时域图。
图4为测试车发动机单缸断火故障工况下的信号时域图。
图5(a)和图(b)分别为测试车发动机在正常和单缸断火故障工况下的傅里叶变换频谱。
图6为小波包分解二叉树示意图。
图7(a)为测试车发动机正常工况下振动信号用“db2”和“db5”进行分解的结果示意图。
图7(b)为测试车发动机单缸断火工况下振动信号用“db2”和“db5”进行分解的结果示意图。
图8(a)为测试车发动机正常工况下小波包分解子频带能量图。
图8(b)为测试车发动机单缸断火工况下小波包分解子频带能量图。
图9为能量熵融合峭度+SVM示意图。
具体实施方式:
下面结合附图和具体实施例对本发明提供的基于时域峭度融合小波包能量熵的汽车发动机故障诊断方法进行详细说明。
如图1所示,本发明提供的基于时域峭度融合小波包能量熵的汽车发动机故障诊断方法包括按顺序进行的下列步骤:
1)进行汽车发动机正常和缺缸工况下振动信号时域统计量特征提取:
首先建立振动信号采集系统:
如图2所示,本发明利用由传感器、信号放大模块、供电模块和数据采集卡构成的振动信号采集系统对汽车发动机两种不同工况下的振动信号进行采集,通过上位机的LabView软件编写程序实现采集参数的设置、采集过程的控制和采集信号的存储。该系统中所用的传感器选用奥林巴斯公司型号为V103-RM的接触式探头,传感器的中心频率为50KHz,作为接收用途时的增益为37db。信号放大模块为Physical Acoustics Corporation公司的声发射前置放大器,输入端单端/差分可选,具有小于2μV的极低噪声和20/40/60db的三档可调增益。数据采集卡为National Instrument公司的USB-6366型号数据采集卡,具有每通道下2MS/s的采样速度,8路同步模拟输入,2路模拟输出和16位分辨率,采用电源线与信号线分离的供电方式,供电模块为电压28V的直流电源。
利用振动信号采集系统采集汽车发动机正常和缺缸工况下的振动信号:
经过多次现场实验后,最终得到了汽车发动机两种不同工况下振动信号的数据,各种工况的说明如表1所示。
表1现场实验中汽车发动机工况的具体说明
综合考虑汽车发动机常见故障的频带范围和数据采集卡的最大采样频率限制,将实际采样频率设置为100KHz,待测试车发动机均保持怠速运行,转速稳定800r/min左右。每种工况下以100KHz的采样频率、100K的采样点数进行连续采集,采集时间为10s。在实际处理中,可以将连续采集到的每组振动信号按需求截取,以便得到包含整数个周期长度的振动信号作为后续分析处理的样本。经过截取处理后,最终得到T组振动信号作为后续信号处理的原始信号。并选择利用matlab软件对采集到的各组振动信号进行初步处理,可以得到两种不同工况下汽车发动机振动信号的时域图,分别如图3、图4所示。
进行汽车发动机正常和缺缸工况下振动信号时域统计量特征提取:
经过数据采集过程,共得到汽车发动机两种不同工况下共T组的振动信号,每组振动信号作为一个样本,并对各组振动信号进行时域特征量的提取,对于给定振动信号x,常用的振动信号时域统计量包括绝对均值均方根xrms、方根幅值xr、偏度α和峭度β等有量纲参数,其中有量纲参数可以作为机械状态的直观反映,然后根据公式计算出两种不同工况下反映各样本所包含冲击情况和波形尖峭程度的峭度指标Ku,并将其作为故障诊断的初步依据来判定上述所采集到的振动信号中冲击成分的变化。
鉴于样本总体数量较大,选择每种工况下各10组振动信号的峭度指标计算结果作为示例说明,各组示例样本具体的处理结果如表2所示。
表2两种工况下振动信号峭度指标的计算结果
利用小波包变换的信号处理方法对上述振动信号进行频域特征提取:
在小波包变换过程中,采样频率设置为100kHz,小波基和分解层数的确定依据如下:
对两种不同工况下的振动信号进行傅里叶变换,结果如图5所示,表明测试车发动机故障的主要频率成分在20kHz以下,且在3kHz附近有能量集中的部分。因此,在100kHz的采样频率下,将小波包分解层数确定为四层,可以得到24个小波包,分解得到的二叉树和每一层分解后得到的频带宽度如图6所示,图中S0表示所采集的每组振动信号,其所包含的频率范围为0-50kHz,S1,1和S1,2分别表示振动信号经过一层小波包分解后所得到的子频带信号,分别包含0-25kHz的低频部分和25kHz-50kHz的高频部分,最终经过四层小波包分解后,S4,i表示振动信号经过四层小波包分解后所得到的子频带信号,i的取值范围从1-16,各子频带的宽度相等,从而将各子频带频率范围细化到3.125kHz,达到在感兴趣的频率点提高频率分辨率的目的,进而得到能够更准确地反映振动信号特点的特征量。
对于机械故障信号,dbN系列小波具有良好的正则性,能够得到平滑性较好的重构信号,因此可更准确地反映故障特征。dbN小波中N表示阶数,其中二阶和五阶较为常用。分别以“db2”和“db5”作为小波基函数对表1中所示的汽车发动机两种不同工况下的振动信号进行四层小波包分解,结果如图7(a),图7(b)所示,其中横坐标表示每组振动信号经过小波包分解后所得到的子频带编号,纵坐标表示每个子频带内重构信号的归一化能量值,如柱状图中的图例所示:所有无填充色柱形表示以’db2’作为小波基函数的处理结果,所有渐变色柱形图表示以“db5”作为小波基函数的处理结果。四组柱状图所显示的结果表明:本实验中db小波阶数的选择对于振动信号在各频带能量分布的影响可以忽略不计。由于阶数的增大会带来计算复杂度的增加,因此,在阶数对结果影响较小的前提下可以选择“db2”作为小波基函数。
基于上述小波包分解层数和小波基函数获得小波包能量熵:
基于上述分析过程,最终对得到的汽车发动机两种不同工况下共T组振动信号以“db2”作为小波基函数进行四层小波包变换。在100kHz的采样频率下,根据奈奎斯特定律,可以得到0-50kHz范围内16个等宽的正交子频带和16个小波包分解系数,并根据小波包分解系数重构出每个子频带对应的时域信号,得到每个子频带内重构信号的能量值Ei,i表示每组振动信号经过小波包分解后得到的各子频带编号。当汽车发动机出现某种故障时,会导致不同频带的能量分布发生变化。其中每个子频带的能量值Ei由下式计算得到,式中aj表示振动信号经过小波包分解后得到的每个子频带内的重构信号S4,i中每个离散点的幅值。
每个子频带宽度为3.125kHz,各子频带重构信号能量值的差异可以反映出振动信号的频率分布情况,如图8(a)、8(b)所示,图中横坐标表示每组振动信号经过小波包分解后所得到的各子频带编号,图中纵坐标表示各子频带内重构信号的归一化能量值。各种工况下振动信号的能量主要集中在前8个子频带。设每个子频带的能量值分别为E1,E2,...En,总能量值为则根据下式可以计算得到每组振动信号经过小波包分解后各子频带内重构信号的小波包能量熵。
其中,Pi=Ei/E表示每个子频带的能量值在总能量值中所占的百分比。
对于现场实验所得到的两种不同工况下的全部T个样本,根据上式计算出各组振动信号经过小波包变换后得到的小波包能量熵。鉴于样本总体数量较大,选择每种工况下各10组振动信号的小波包能量熵作为示例来说明,各组示例具体的处理结果如表3所示。
表3两种不同工况下振动信号小波包能量熵的计算结果
相较于所得到的时域统计量——峭度指标,小波包能量熵中不仅包含了信号频率信息,而且兼顾了信号整体特征,在同一类的工况下差距较小且表现更稳定,同时在不同类别之间又呈现出明显区别。峭度指标和小波包能量熵在时域和频域上互补,能够为区分不同的汽车发动机工况提供更准确的依据。因此,将现场实验所得到的两种不同工况下各T组振动信号的峭度指标和小波包能量熵进行融合,建立起表征各工况振动信号特征的特征向量MT×2,其表达式如下式。鉴于样本数据量较大,选择其中6组特征向量作为示例说明,如表4所示。
MT×2=[Ku1,Hen1;...;Kum,Henm;...KuT,HenT;]
表4峭度指标融合小波包能量熵特征值示例
建立基于支持向量机的分类模型,并利用上述获得的特征向量对分类模型进行训练和测试,由此实现对汽车发动机单缸断火故障的诊断:
为了建立基于SVM的分类模型,分别选取上述所建立的特征向量MT×2中的60%作为训练样本集的特征向量A60%T×2,并对特征向量A60%T×2进行初始化操作。在训练以及后续测试时,对各工况下的期望输出均做出如下规定:用数值1表示测试车发动机正常的工况即工况1,用数值2表示测试车发动机单缸断火故障的工况即工况2。将各训练样本分别输入SVM的分类模型中进行训练。
SVM的分类模型的参数设置如下:核函数设置为最经典的RBF核函数exp(-γ||xi-xj||)2,它具有较宽的收敛域且适用于低维或高维、小样本或大样本等多种情况;核函数RBF中的γ参数通常设置为类别数的倒数,本发明中设置为1/4;惩罚因子按照经验设置为1.2,要避免设置过大而导致过拟合现象。
选取剩余的40%T组作为测试样本集的特征向量A'40%T×2,对特征向量A'40%T×2进行初始化操作,并分别输入到已经训练好的SVM的分类模型中进行测试,得到各种特征向量下的测试结果对比如图9所示,其中横坐标表示40%T组测试样本的编号,纵坐标表示每个测试样本经过SVM的分类模型处理后所对应的分类结果,如上文所规定,数值1、2分别对应汽车发动机的两种不同工况。图中的○形点表示每个测试样本的期望输出,*形点表示每个测试样本的实际输出。通过图9所示的测试样本集的分类结果可以看出,由训练样本集建立的SVM的分类模型可以实现对现场实验中所采集到的汽车发动机单缸断火故障的诊断。
Claims (5)
1.一种基于时域峭度融合小波包能量熵的汽车发动机故障诊断方法,其特征在于:所述的方法包括按顺序进行的下列步骤:
1)采集汽车发动机正常和缺缸工况下的振动信号并进行时域统计量特征提取:
2)利用小波包变换的信号处理方法对上述振动信号进行频域特征提取:
3)将上述步骤1)获得的峭度指标与步骤2)获得小波包能量熵进行融合,得到特征向量:
4)建立基于支持向量机的分类模型,并利用上述获得的特征向量对分类模型进行训练和测试,由此实现对汽车发动机单缸断火故障的诊断。
2.根据权利要求1所述的基于时域峭度融合小波包能量熵的汽车发动机故障诊断方法,其特征在于:在步骤1)中,所述的采集汽车发动机正常和缺缸工况下的振动信号并进行时域统计量特征提取的方法是:分别采集现场实验中汽车发动机正常和缺缸工况下T组振动信号,每组振动信号作为一个样本,并对各组振动信号进行时域特征量的提取,对于给定振动信号x,常用的振动信号时域统计量包括绝对均值均方根xrms、方根幅值xr、偏度α和峭度β,然后根据公式计算出两种不同工况下反映各样本所包含冲击情况和波形尖峭程度的峭度指标Ku。
3.根据权利要求1所述的基于时域峭度融合小波包能量熵的汽车发动机故障诊断方法,其特征在于:在步骤2)中,所述的利用小波包变换的信号处理方法对上述振动信号进行频域特征提取的方法是:
2.1)确定小波包分解层数
在100kHz的采样频率下,将小波包分解层数确定为四层,可以得到24个小波包,最终经过四层小波包分解后,S4,i表示振动信号经过四层小波包分解后所得到的子频带信号,i的取值范围从1-16,各子频带的宽度相等;
2.2)确定小波基函数:
分别以“db2”和“db5”作为小波基函数对汽车发动机两种不同工况下的振动信号进行四层小波包分解,并选取db2作为最终的小波基函数;
2.3)基于上述小波包分解层数和小波基函数获得小波包能量熵:
对上述采集的汽车发动机两种不同工况下的各组振动信号以“db2”作为小波基函数进行四层小波包变换;在100kHz的采样频率下,根据奈奎斯特定律,可以得到0-50kHz范围内16个等宽的正交子频带和16个小波包分解系数,并根据小波包分解系数重构出每个子频带对应的时域信号,得到每个子频带内重构信号的能量值Ei,其中i表示每组振动信号经过小波包分解后得到的各子频带编号;其中每个子频带的能量值Ei由公式计算得到,式中aj表示振动信号经过小波包分解后得到的每个子频带内的重构信号S4,i中每个离散点的幅值;
设每个子频带的能量值分别为E1,E2,...En,总能量值为则根据公式
可以计算得到每组振动信号经过小波包分解后各子频带内重构信号的小波包能量熵Hen;其中,pi=Ei/E表示每个子频带的能量值在总能量值中所占的百分比。
4.根据权利要求1所述的基于时域峭度融合小波包能量熵的汽车发动机故障诊断方法,其特征在于:在步骤3)中,所述的将上述步骤1)获得的峭度指标与步骤2)获得小波包能量熵进行融合,得到特征向量的方法是:将上述采集的T组振动数据的峭度指标和小波包能量熵融合,建立起表征各工况信号特征的特征向量MT×2,其表达式如下:
MT×2=[Ku1,Hen1;...;Kum,Henm;...KuT,HenT;]
其中T表示采集的振动信号组数。
5.根据权利要求1所述的基于时域峭度融合小波包能量熵的汽车发动机故障诊断方法,其特征在于:在步骤4)中,所述的建立基于支持向量机的分类模型,并利用上述获得的特征向量对分类模型进行训练和测试,由此实现对汽车发动机单缸断火故障的诊断的方法是:
为了建立基于支持向量机的分类模型,选取上述所建立的每种工况下的特征向量MT×2的60%作为训练样本集的特征向量A60%T×2,并对特征向量A60%T×2进行初始化操作;SVM的分类模型的参数设置完毕后,将训练样本集中的各组特征向量分别输入SVM的分类模型中进行训练;
选取每种工况下剩余的40%的特征向量MT×2作为测试样本集的特征向量A'40%T×2,对特征向量A'40%T×2进行初始化操作,并将测试样本集中的各组特征向量分别输入到已经训练好的SVM的分类模型中进行测试,得到各种特征向量下的测试结果对比,由训练样本集建立的SVM的分类模型能够对汽车发动机两种不同的工况做出区分,从而实现对现场实验中所采集到的汽车发动机单缸断火故障的诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810283390.6A CN108710889A (zh) | 2018-04-02 | 2018-04-02 | 一种汽车发动机缺缸故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810283390.6A CN108710889A (zh) | 2018-04-02 | 2018-04-02 | 一种汽车发动机缺缸故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108710889A true CN108710889A (zh) | 2018-10-26 |
Family
ID=63867142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810283390.6A Withdrawn CN108710889A (zh) | 2018-04-02 | 2018-04-02 | 一种汽车发动机缺缸故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710889A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110207967A (zh) * | 2019-06-13 | 2019-09-06 | 大连海事大学 | 一种基于小波包能量特征与互相关的状态识别方法与系统 |
CN110231404A (zh) * | 2019-06-17 | 2019-09-13 | 江南大学 | 一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法 |
CN110285976A (zh) * | 2019-07-09 | 2019-09-27 | 哈尔滨工业大学(威海) | 基于dbn的多维时序信息驱动航空发动机故障诊断方法 |
CN110765699A (zh) * | 2019-10-17 | 2020-02-07 | 中国石油大学(北京) | 一种压裂装备作业时健康状态的评估方法及装置 |
CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
CN111444893A (zh) * | 2020-05-06 | 2020-07-24 | 南昌航空大学 | 一种矿井提升机主轴装置的故障诊断方法 |
CN111890126A (zh) * | 2020-07-03 | 2020-11-06 | 太原理工大学 | 一种基于声压能量峭度指标的早期车削颤振预警监测方法 |
CN111950442A (zh) * | 2020-08-10 | 2020-11-17 | 江苏聚力智能机械股份有限公司 | 一种使用dbn多域特征提取的立体车库电机故障诊断方法 |
CN111982515A (zh) * | 2020-08-18 | 2020-11-24 | 广东工业大学 | 一种机械故障检测方法及装置 |
CN112082639A (zh) * | 2019-06-14 | 2020-12-15 | 现代自动车株式会社 | 发动机状态的诊断方法及其诊断建模方法 |
CN113571092A (zh) * | 2021-07-14 | 2021-10-29 | 东软集团股份有限公司 | 一种发动机异响识别方法及其相关设备 |
CN113822257A (zh) * | 2021-11-24 | 2021-12-21 | 航天智控(北京)监测技术有限公司 | 一种基于无量纲特征结合虚拟样本的异常点检测方法 |
CN116150677A (zh) * | 2023-04-19 | 2023-05-23 | 国家石油天然气管网集团有限公司 | 一种基于支持向量机的输油泵故障预警方法及系统 |
CN117540202A (zh) * | 2023-09-13 | 2024-02-09 | 南京林业大学 | 基于多信息融合深度集成网络的故障诊断方法和系统 |
CN117991082A (zh) * | 2024-04-07 | 2024-05-07 | 垣矽技术(青岛)有限公司 | 一种适用于电流频率转换芯片的故障诊断监管系统 |
CN118013231A (zh) * | 2024-04-02 | 2024-05-10 | 广州通达汽车电气股份有限公司 | 汽车故障智能诊断方法、装置和汽车智能仪表盘系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784353A (zh) * | 2016-03-25 | 2016-07-20 | 上海电机学院 | 一种风力发电机齿轮箱故障诊断方法 |
CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
CN107036816A (zh) * | 2016-11-17 | 2017-08-11 | 重庆工商大学 | 一种航空发动机轴承故障诊断方法 |
-
2018
- 2018-04-02 CN CN201810283390.6A patent/CN108710889A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784353A (zh) * | 2016-03-25 | 2016-07-20 | 上海电机学院 | 一种风力发电机齿轮箱故障诊断方法 |
CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
CN107036816A (zh) * | 2016-11-17 | 2017-08-11 | 重庆工商大学 | 一种航空发动机轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
GAO YUAN 等: ""Misfire identification of automobile engines based on wavelet packet and extreme learning machine"", 《JOURNAL OF MEASUREMENT SCIENCE AND INSTRUMENTATION》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110207967A (zh) * | 2019-06-13 | 2019-09-06 | 大连海事大学 | 一种基于小波包能量特征与互相关的状态识别方法与系统 |
CN112082639A (zh) * | 2019-06-14 | 2020-12-15 | 现代自动车株式会社 | 发动机状态的诊断方法及其诊断建模方法 |
CN110231404A (zh) * | 2019-06-17 | 2019-09-13 | 江南大学 | 一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法 |
CN110285976A (zh) * | 2019-07-09 | 2019-09-27 | 哈尔滨工业大学(威海) | 基于dbn的多维时序信息驱动航空发动机故障诊断方法 |
CN110765699A (zh) * | 2019-10-17 | 2020-02-07 | 中国石油大学(北京) | 一种压裂装备作业时健康状态的评估方法及装置 |
CN110765699B (zh) * | 2019-10-17 | 2021-07-30 | 中国石油大学(北京) | 一种压裂装备作业时健康状态的评估方法及装置 |
CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
CN111307453B (zh) * | 2020-03-20 | 2021-11-12 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
CN111444893A (zh) * | 2020-05-06 | 2020-07-24 | 南昌航空大学 | 一种矿井提升机主轴装置的故障诊断方法 |
CN111890126A (zh) * | 2020-07-03 | 2020-11-06 | 太原理工大学 | 一种基于声压能量峭度指标的早期车削颤振预警监测方法 |
CN111890126B (zh) * | 2020-07-03 | 2022-03-11 | 太原理工大学 | 一种基于声压能量峭度指标的早期车削颤振预警监测方法 |
CN111950442A (zh) * | 2020-08-10 | 2020-11-17 | 江苏聚力智能机械股份有限公司 | 一种使用dbn多域特征提取的立体车库电机故障诊断方法 |
CN111982515A (zh) * | 2020-08-18 | 2020-11-24 | 广东工业大学 | 一种机械故障检测方法及装置 |
CN113571092B (zh) * | 2021-07-14 | 2024-05-17 | 东软集团股份有限公司 | 一种发动机异响识别方法及其相关设备 |
CN113571092A (zh) * | 2021-07-14 | 2021-10-29 | 东软集团股份有限公司 | 一种发动机异响识别方法及其相关设备 |
CN113822257A (zh) * | 2021-11-24 | 2021-12-21 | 航天智控(北京)监测技术有限公司 | 一种基于无量纲特征结合虚拟样本的异常点检测方法 |
CN113822257B (zh) * | 2021-11-24 | 2022-06-07 | 航天智控(北京)监测技术有限公司 | 一种基于无量纲特征结合虚拟样本的异常点检测方法 |
CN116150677A (zh) * | 2023-04-19 | 2023-05-23 | 国家石油天然气管网集团有限公司 | 一种基于支持向量机的输油泵故障预警方法及系统 |
CN117540202B (zh) * | 2023-09-13 | 2024-05-14 | 南京林业大学 | 基于多信息融合深度集成网络的故障诊断方法和系统 |
CN117540202A (zh) * | 2023-09-13 | 2024-02-09 | 南京林业大学 | 基于多信息融合深度集成网络的故障诊断方法和系统 |
CN118013231A (zh) * | 2024-04-02 | 2024-05-10 | 广州通达汽车电气股份有限公司 | 汽车故障智能诊断方法、装置和汽车智能仪表盘系统 |
CN118013231B (zh) * | 2024-04-02 | 2024-07-05 | 广州通达汽车电气股份有限公司 | 汽车故障智能诊断方法、装置和汽车智能仪表盘系统 |
CN117991082A (zh) * | 2024-04-07 | 2024-05-07 | 垣矽技术(青岛)有限公司 | 一种适用于电流频率转换芯片的故障诊断监管系统 |
CN117991082B (zh) * | 2024-04-07 | 2024-06-11 | 垣矽技术(青岛)有限公司 | 一种适用于电流频率转换芯片的故障诊断监管系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710889A (zh) | 一种汽车发动机缺缸故障诊断方法 | |
CN108844725A (zh) | 一种汽车发动机轴瓦磨损故障诊断方法 | |
CN104132250B (zh) | 一种基于改进小波包的管道泄漏特征向量提取方法 | |
Wu et al. | Investigation of engine fault diagnosis using discrete wavelet transform and neural network | |
Huang et al. | Rolling bearing fault diagnosis and performance degradation assessment under variable operation conditions based on nuisance attribute projection | |
CN109116203A (zh) | 基于卷积神经网络的电力设备局部放电故障诊断方法 | |
Wu et al. | An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network | |
CN110657985B (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 | |
CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN111160167A (zh) | 基于s变换深度卷积神经网络的主轴故障分类识别方法 | |
CN106909784A (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 | |
CN110490071A (zh) | 一种基于mfcc的变电站声信号特征提取方法 | |
CN104849050A (zh) | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN110044623A (zh) | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 | |
CN111042917B (zh) | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 | |
CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN113158984B (zh) | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 | |
CN109241849B (zh) | 面向智能电厂汽轮机主机的特征分解选择与故障诊断方法 | |
CN107832729A (zh) | 一种轴承锈蚀智能诊断方法 | |
CN111238843A (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181026 |
|
WW01 | Invention patent application withdrawn after publication |