[发明专利]一种汽车发动机缺缸故障诊断方法

权利要求书

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x_rms、方根幅值x_r、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K_u。

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，S_4，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E_i，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E_i由公式计算得到，式中a_j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S_4,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，...E_n，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H_en；其中，p_i＝E_i/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M_T×2，其表达式如下:

M_T×2＝[K_u1,H_en1；...；K_um,H_enm；...K_uT,H_enT；]

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M_T×2的60％作为训练样本集的特征向量A_60％T×2，并对特征向量A_60％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M_T×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。