[發明專利]一種汽車發動機缺缸故障診斷方法

在審

• 申請號: 201810283390.6
• 申請日: 2018-04-02
• 公開（公告）號: CN108710889A
• 公開（公告）日: 2018-10-26
• 發明（設計）人: 李一博;鄭曉雷;芮小博;劉悅;沙洲;高遠;黃新敬;封皓;盧連朋
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G01R13/02
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 龐學欣

1.一種基于時域峭度融合小波包能量熵的汽車發動機故障診斷方法，其特征在于：所述的方法包括按順序進行的下列步驟：

1)采集汽車發動機正常和缺缸工況下的振動信號并進行時域統計量特征提取:

2)利用小波包變換的信號處理方法對上述振動信號進行頻域特征提取：

3)將上述步驟1)獲得的峭度指標與步驟2)獲得小波包能量熵進行融合，得到特征向量:

4)建立基于支持向量機的分類模型，并利用上述獲得的特征向量對分類模型進行訓練和測試，由此實現對汽車發動機單缸斷火故障的診斷。

2.根據權利要求1所述的基于時域峭度融合小波包能量熵的汽車發動機故障診斷方法，其特征在于：在步驟1)中,所述的采集汽車發動機正常和缺缸工況下的振動信號并進行時域統計量特征提取的方法是:分別采集現場實驗中汽車發動機正常和缺缸工況下T組振動信號，每組振動信號作為一個樣本，并對各組振動信號進行時域特征量的提取，對于給定振動信號x，常用的振動信號時域統計量包括絕對均值均方根x_rms、方根幅值x_r、偏度α和峭度β，然后根據公式計算出兩種不同工況下反映各樣本所包含沖擊情況和波形尖峭程度的峭度指標K_u。

3.根據權利要求1所述的基于時域峭度融合小波包能量熵的汽車發動機故障診斷方法，其特征在于：在步驟2)中,所述的利用小波包變換的信號處理方法對上述振動信號進行頻域特征提取的方法是:

2.1)確定小波包分解層數

在100kHz的采樣頻率下，將小波包分解層數確定為四層，可以得到2⁴個小波包，最終經過四層小波包分解后，S_4，i表示振動信號經過四層小波包分解后所得到的子頻帶信號，i的取值范圍從1-16，各子頻帶的寬度相等；

2.2)確定小波基函數:

分別以“db2”和“db5”作為小波基函數對汽車發動機兩種不同工況下的振動信號進行四層小波包分解，并選取db2作為最終的小波基函數；

2.3)基于上述小波包分解層數和小波基函數獲得小波包能量熵:

對上述采集的汽車發動機兩種不同工況下的各組振動信號以“db2”作為小波基函數進行四層小波包變換；在100kHz的采樣頻率下，根據奈奎斯特定律，可以得到0-50kHz范圍內16個等寬的正交子頻帶和16個小波包分解系數，并根據小波包分解系數重構出每個子頻帶對應的時域信號，得到每個子頻帶內重構信號的能量值E_i，其中i表示每組振動信號經過小波包分解后得到的各子頻帶編號；其中每個子頻帶的能量值E_i由公式計算得到，式中a_j表示振動信號經過小波包分解后得到的每個子頻帶內的重構信號S_4,i中每個離散點的幅值；

設每個子頻帶的能量值分別為E₁，E₂，...E_n，總能量值為則根據公式

可以計算得到每組振動信號經過小波包分解后各子頻帶內重構信號的小波包能量熵H_en；其中，p_i＝E_i/E表示每個子頻帶的能量值在總能量值中所占的百分比。

4.根據權利要求1所述的基于時域峭度融合小波包能量熵的汽車發動機故障診斷方法，其特征在于：在步驟3)中,所述的將上述步驟1)獲得的峭度指標與步驟2)獲得小波包能量熵進行融合，得到特征向量的方法是：將上述采集的T組振動數據的峭度指標和小波包能量熵融合，建立起表征各工況信號特征的特征向量M_T×2，其表達式如下:

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

其中T表示采集的振動信號組數。

5.根據權利要求1所述的基于時域峭度融合小波包能量熵的汽車發動機故障診斷方法，其特征在于：在步驟4)中,所述的建立基于支持向量機的分類模型，并利用上述獲得的特征向量對分類模型進行訓練和測試，由此實現對汽車發動機單缸斷火故障的診斷的方法是：

為了建立基于支持向量機的分類模型，選取上述所建立的每種工況下的特征向量M_T×2的60％作為訓練樣本集的特征向量A_60％T×2，并對特征向量A_60％T×2進行初始化操作；SVM的分類模型的參數設置完畢后，將訓練樣本集中的各組特征向量分別輸入SVM的分類模型中進行訓練；

選取每種工況下剩余的40％的特征向量M_T×2作為測試樣本集的特征向量A'_40％T×2，對特征向量A'_40％T×2進行初始化操作，并將測試樣本集中的各組特征向量分別輸入到已經訓練好的SVM的分類模型中進行測試，得到各種特征向量下的測試結果對比，由訓練樣本集建立的SVM的分類模型能夠對汽車發動機兩種不同的工況做出區分，從而實現對現場實驗中所采集到的汽車發動機單缸斷火故障的診斷。