摘要
近年来，随着发动机技术的高速发展，发动机系统组成结构愈发复杂，传统的经验诊断法难以准确地诊断发动机故障，国内的汽车厂商正面临着研发精准且高效的发动机故障诊断技术的挑战。本文对某厂商的一款汽车发动机存在的三类典型故障问题展开研究，采用科学的方法明确发动机故障与振动信号间的联系，提出一种基于振动信号分析和机器学习的汽车发动机故障诊断方法，为类似问题形成有参考意义的案例。 对发动机失火故障、气门组故障和飞轮组故障进行了深入研究，确定故障原因以及故障与发动机振动的联系，分析发动机振动传播路径。然后介绍发动机振动信号的分析方法，包括时域分析、频谱分析、变分模态分解分析和信号参数分析。设计并实施了发动机振动信号测量实验，采集正常工况以及三种故障工况共160组发动机振动信号。对采集到的160组振动信号进行变分模态分解处理，滤除其中的高噪信号，取剩余信号进行重构，接着对重构信号进行信号分析，计算信号的参数并对比分析，分析结果表明在四种不同工况的信号参数中，整流平均值、峰-峰值、均方根值、峭度、重构信号分形维数、重构信号模糊熵、IMF1中心频率和IMF5模糊熵区分度最高，选择上述8种信号参数构成状态特征向量，对状态特征向量进行预处理和统计。针对机器学习故障诊断方法进行研究，首先介绍粒子群算法和最小二乘支持向量机的原理，然后建立基于粒子群算法和最小二乘支持向量机的发动机故障诊断模型，之后进行故障诊断仿真，将状态特征数据集输入模型中进行训练与测试，最后测试结果表明该故障诊断方法具有97.5%的诊断精度，平均绝对百分比误差为1.25%，诊断时间为5.7s，验证了该故障诊断方法的可行性。 使用相同的数据集训练与测试BP神经网络故障诊断模型和随机超参数最小二乘支持向量机故障诊断模型，诊断精度分别为95.0%和90.0%，平均绝对百分比误差分别为1.46%和6.88%，诊断时间分别为3.6s和2.5s。通过故障诊断性能的对比分析，可验证所提出的故障诊断方法具有相对优越性。
NETL