原文传递
基于噪声信号的发动机故障诊断HHT-SVM模型研究
| 论文题名： | 基于噪声信号的发动机故障诊断HHT-SVM模型研究 |
| 关键词： | 汽车发动机;故障诊断;噪声信号;希尔伯特黄变换;支持向量机 |
| 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。 |
| 作者： | 朱强 |
| 专业： | 车辆工程 |
| 导师： | 王岩松 |
| 授予学位： | 硕士 |
| 授予学位单位： | 上海工程技术大学 |
| 学位年度： | 2011 |
| 正文语种： | 中文 |
检索历史
应用推荐
