基于EEMD和SVM聯(lián)合診斷的發(fā)動機故障分析.pdf

1、發(fā)動機作為汽車的動力源，其工作條件惡劣、故障率高。在日常使用中，氣門間隙異常和點火系異常是發(fā)動機最常見的故障，氣門間隙異常將影響發(fā)動機的進排氣效果、動力性和排放性等指標；而發(fā)動機點火系異常將直接使發(fā)動機喪失工作能力。發(fā)動機缸蓋表面振動信號的測量方便快捷，振動、沖擊和噪聲信號包含豐富的信息，可以實時地反映發(fā)動機的工作狀態(tài)，本課題從發(fā)動機缸蓋振動信號入手，針對故障診斷的兩大核心環(huán)節(jié)——特征向量提取和故障狀態(tài)識別，針對氣門間隙異常和點火系異常

2、的故障，分析探討了運用總體平均經(jīng)驗模態(tài)分解（EEMD）和支持向量機（SVM）聯(lián)合診斷的發(fā)動機故障分析方法。
　　在信號分析理論的基礎上，對特征模態(tài)函數(shù)的相關系數(shù)法的計算過程進行了推導，并運用此方法對仿真信號進行了特征向量提取，驗證了此方法的有效性。以DA462型汽油發(fā)動機為研究對象，建立了發(fā)動機振動信號采集測試系統(tǒng)。人為模擬發(fā)動機氣門間隙及缺火故障等8種工況，采集了各工況對應的一、四缸缸蓋振動信號，并將采集的信號分為訓練樣本集和測

3、試樣本集。進行總體平均經(jīng)驗模態(tài)分解，得到各階特征模態(tài)函數(shù)；隨后運用相關系數(shù)法分別求取基于一、四缸振動信號的特征向量，將一缸振動信號的特征向量作為故障特征向量，建立用于發(fā)動機振動信號故障識別的BP神經(jīng)網(wǎng)絡、默認參數(shù)的SVM、交叉尋優(yōu)的SVM、粒子群優(yōu)化算法的SVM模型，得到測試集分類結果；將一、四缸振動信號的特征向量分別導入到四種故障識別分類器中，建立分類模型并得到測試集分類結果。
　　對比兩種方法的分類結果及用時，結果表明，應用E