变转速条件下汽车发动机故障模式识别仿真

发布时间：2020-04-21 04:30

【摘要】：由于汽车发动机使用年限、使用环境等均会使汽车发动机产生不同模式的故障,使得故障模式多样。传统的识别方法,主要通过提取汽车发动机振动信号特征,确定发动机故障模式,在进行故障模式识别,导致识别效率低的问题。提出采用小波分析的变转速条件下汽车发动机故障模式识别方法,利用小波理论对采集到的发动机故障模式振动信号进行消噪处理,按曲轴转角的周期对发动机故障模式振动信号的时域能量进行合理分段;提取各段信号的时域能量作为发动机各缸状态的特征值,将模糊支持向量机算法引入到汽车发动机故障模式识别中,定义汽车发动机故障模式与故障原因之间的模糊关系,利用信息熵值来分析变转速条件下汽车发动机整机振动状态,并作为依据识别汽车发动机故障模式,实验结果表明,所提方法可以准确对变转速条件下汽车发动机的故障模式进行识别,并且具有较高的识别效率。
【图文】：

发动机故障,模式识别,信噪比,方法

组建变转速条件下发动机故障模式识别实验仿真平台，以东风EQ2102型汽车发动机作为试验对象，选取其中五种常见故障:变转速条件下转子不均衡、转子不对中、碰摩、转子热弯曲、转子裂纹，获取变转速条件下汽车发动机故障样本40组，其中20组为训练样本、20组为测试样本，分别利用本文方法与文献［9］方法、文献［10］方法进行变转速条件下汽车发动机故障模式识别。在同样的识别条件下，改变噪声强度，利用本文方法与文献［9］、文献［10］方法进行变转速条件下汽车发动机故障模式识别信噪比对比实验，对比结果如图1、图2、图3所示。图1本文方法发动机故障模式识别信噪比图2文献［9］方法发动机故障模式识别信噪比图3文献［10］方法发动机故障模式识别信噪比如图1、图2、图3所示，在不同转速下，改变噪声强度，汽车发动机故障振动信号会有一定的变化，使得文献［9］、文献［10］方法都不能实时动态故障模式识别，而本文方法通过对变转速条件下汽车发动机在正常工况以及发动机工作故障时的振动信号进行采集，采用小波包分析对振动信号进行消噪处理，增强信噪比，使得本文方法进行变转速条件下汽车发动机故障模式识别效果较好。为验证本文方法的优越性，在不同的转速大小下，分别利用本文方法与文献［9］、文献［10］方法进行变转速条件下汽车发动机故障模式识别适应度对比，将本文方法中的适应度函数(fit)选取为fit=11－yi/∑ni=1yi(24)式中，yi代表发动机故障识别正确的样本数;∑ni=1yi代表样本总数，对比结果如图4所示。图4不同方法发动机故障模式识别适应度对比如图4所示，由式(24)可知，正确识别的样本数越多，说明正确识别的准确率越高，对应的适应度值越大。因本文方法采用小波包分析对振?

发动机故障,模式识别,信噪比,文献

组建变转速条件下发动机故障模式识别实验仿真平台，以东风EQ2102型汽车发动机作为试验对象，选取其中五种常见故障:变转速条件下转子不均衡、转子不对中、碰摩、转子热弯曲、转子裂纹，获取变转速条件下汽车发动机故障样本40组，其中20组为训练样本、20组为测试样本，分别利用本文方法与文献［9］方法、文献［10］方法进行变转速条件下汽车发动机故障模式识别。在同样的识别条件下，改变噪声强度，利用本文方法与文献［9］、文献［10］方法进行变转速条件下汽车发动机故障模式识别信噪比对比实验，对比结果如图1、图2、图3所示。图1本文方法发动机故障模式识别信噪比图2文献［9］方法发动机故障模式识别信噪比图3文献［10］方法发动机故障模式识别信噪比如图1、图2、图3所示，在不同转速下，，改变噪声强度，汽车发动机故障振动信号会有一定的变化，使得文献［9］、文献［10］方法都不能实时动态故障模式识别，而本文方法通过对变转速条件下汽车发动机在正常工况以及发动机工作故障时的振动信号进行采集，采用小波包分析对振动信号进行消噪处理，增强信噪比，使得本文方法进行变转速条件下汽车发动机故障模式识别效果较好。为验证本文方法的优越性，在不同的转速大小下，分别利用本文方法与文献［9］、文献［10］方法进行变转速条件下汽车发动机故障模式识别适应度对比，将本文方法中的适应度函数(fit)选取为fit=11－yi/∑ni=1yi(24)式中，yi代表发动机故障识别正确的样本数;∑ni=1yi代表样本总数，对比结果如图4所示。图4不同方法发动机故障模式识别适应度对比如图4所示，由式(24)可知，正确识别的样本数越多，说明正确识别的准确率越高，对应的适应度值越大。因本文方法采用小波包分析对振?

【相似文献】