基于噪声信号的发动机故障诊断HHT-SVM模型研究

论文摘要

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。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的背景和意义
• 1.2 国内外研究现状
• 1.2.1 国外发展阶段
• 1.2.2 国内发展阶段
• 1.3 研究内容
• 1.4 研究方法和设计方案
• 第二章 发动机噪声信号的产生机理及采集方法
• 2.1 发动机噪声研究
• 2.1.1 声学基础
• 2.1.2 发动机噪声概述和分类
• 2.1.3 发动机噪声的产生机理和传播途径
• 2.2 发动机噪声采集方案的研究和实验
• 2.2.1 声场选择和环境噪声测定
• 2.2.2 发动机故障设置
• 2.2.3 测试点和采样频率的选择
• 2.2.4 发动机噪声数据的采集实验
• 2.3 本章小结
• 第三章 HHT 与其他时频分析方法的对比研究
• 3.1 常见的信号时频分析方法
• 3.1.1 短时傅里叶变换及其特点
• 3.1.2 小波变换及其特点
• 3.1.3 维格纳-威尔分布及其特点
• 3.2 希尔伯特黄变换基本理论
• 3.2.1 HHT 的基本概念
• 3.2.2 经验模态分解的原理和算法
• 3.2.3 HHT 的时频谱和边际谱
• 3.2.4 HHT 分析方法的特点
• 3.2.5 HHT 存在的问题和解决方法
• 3.3 HHT 与其他时频方法的实例对比
• 3.4 本章小结
• 第四章 发动机故障特征的提取
• 4.1 发动机噪声信号的降噪处理
• 4.1.1 小波降噪的基本原理
• 4.1.2 小波包理论
• 4.1.3 发动机噪声的小波包降噪
• 4.2 噪声信号的特征提取
• 4.2.1 特征提取的原则和步骤
• 4.2.2 发动机噪声信号的特征提取
• 4.3 本章小结
• 第五章 SVM 理论和发动机故障诊断
• 5.1 统计学习基本理论
• 5.2 支持向量机基本理论
• 5.2.1 线性支持向量机
• 5.2.2 非线性支持向量机
• 5.2.3 多分类支持向量机
• 5.3 基于多分类 SVM 的发动机故障诊断
• 5.4 HHT-SVM 故障诊断模型的交叉验证
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 全文总结
• 6.2 展望
• 参考文献
• 附录
• 攻读硕士学位期间发表的学术论文及取得的相关科研成果
• 致谢