[发明专利]一种汽车发动机缺缸故障诊断方法

说明书

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。

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x_rms、方根幅值x_r、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K_u，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。