基于噪声信号的发动机故障诊断hht-svm模型研究-research on hht - svm model for engine fault diagnosis based on noise signal.docxVIP

基于噪声信号的发动机故障诊断 HHT-SVM 模型研究摘要发动机是汽车的核心部件，其性能的好坏直接影响到整车的安全性和可靠性，发 动机故障诊断技术已成为车辆工程领域的一个重要的研究热点。本文在总结前人研究 的基础上，提出了一种基于希尔伯特黄变换（HHT）和支持向量机（SVM）的发动 机噪声故障诊断技术。本文首先对发动机的常见故障进行了研究，通过分析发动机噪声的产生机理和传 播途径，确定了合理的噪声信号采集方案。通过发动机噪声测试实验，采集样机在不 同状态下（包括正常状态和多种故障状态）的噪声信号，建立了发动机噪声数据库。 然后利用非平稳信号分析理论，对发动机噪声信号实施降噪处理和特征提取，基于虚 拟仿真信号和发动机噪声信号，对短时傅里叶变换（STFT）、维格纳-威尔分布（WVD）、 小波变换（WT）和 HHT 等信号时频分析方法进行了对比研究，分别采用小波包技术 和 HHT 实施信号降噪和特征提取，建立了反映不同故障的特征向量。基于上述结果， 对机器学习、统计学习理论、非线性和多分类 SVM 等人工智能理论进行了深入研究， 分析了 SVM 的作用原理和实现过程，采用 SVM 对提取的故障噪声特征向量进行了 模式识别，实现了发动机故障的智能诊断。研究结果表明：对发动机噪声信号而言，小波包降噪技术具有明显优势；HHT 时频分辨率较高，而且不受交叉项影响，适用于非平稳噪声信号处理；SVM 具有很 好训练和分类能力，对于小样本模式识别准确有效；通过 HHT-SVM 模型的验证试验 说明了本文构建的 9 维 HHT 特征向量能够很好地描述信号的故障信息，应用 HHT-SVM 模型进行发动机故障诊断行之有效。本课题提出的基于噪声信号的 HHT-SVM 故障诊断算法可拓展至其他声学故障诊断领域，具有较高的理论研究价值 和应用前景。关键词：发动机，故障诊断，噪声信号，希尔伯特黄变换，支持向量机RESEARCH ON HHT-SVM MODELING FOR ENGINE FAULT DIAGNOSIS BASED ON NOISE SIGNALABSTRACTEngine, as the core component of a car, its performance directly affects on the safety and reliability of vehicles. Thus, the techniques for engine fault diagnosis have become an important issue in the field of vehicle engineering. Based on the previous research findings, this thesis paper studies and presents a noise-based technology for engine fault diagnosis, using the Hilbert-Huang Transform (HHT) and the support vector machine (SVM).In this thesis, firstly, the common engine faults are investigated. A data acquisition scheme is determined by analyzing the generation mechanism and propagation path of engine noises. Subsequently, some noise measurements are performed by setting a sample engine into different working conditions, including the normal and fault states, thereby, a database establishment of the measured engine noise signals. Secondly, according to the theories in nonstationary signal processing, a study on time-frequency analysis techniques for signal denoising and feature extraction of the engine noise is conducted. Based on a set of assumed signals and the measured noise signals,