基于声信号技术的发动机故障诊断系统研究

【摘要】：发动机故障诊断技术是一门紧密结合实际的工程科学,生产实际的需要是它发展的根本原因,因此研究简便的诊断方法具有广阔的实用价值。声信号故障诊断技术较其他传统的方法相比,具有便捷性及测试的非接触性而逐渐受到大家的重视。本文从发动机噪声产生和传播的理论分析入手,综合考虑发动机声音的衰减和背景噪声的影响,针对发动机声信号非平稳性这一特点,采用现代信号分析技术对声信号进行处理和故障识别,以提高其诊断识别的有效性和可靠性。本文主要研究以下几个方面: 分析汽车发动机工作时产生声信号的特点与难点,在此基础上提出基于声信号技术的发动机故障诊断系统的总体方案。采用机体外噪声测量的方法来采集含有故障信息的声信号,避免了在振动测量中需将机体拆卸来安装传感器,以及需要选好传感器位置的麻烦。同时对发动机声场进行了分析,并在此基础上找出最佳测点,为实验创造良好的基础。 针对发动机声信号的非平稳性,本文利用小波变换的多分辨率性质来分析声信号,发现冲击成分在小波分解的细节信号中得到放大,对比该频率和各种故障下形成地故障频率找到故障的原因,从而实现对信号波形有效地识别。在认真研究各种软硬阈值去噪法的基础上,提出一种基于非线性小波变换的去噪方法——分层阈值去噪算法。实验结果表明,该方法能显著提高滤波精度,在有效去除噪声的同时,能很好地保留信号的主要细节。然后通过对经小波变换后的信号进行自功率谱密度分析,实验结果表明,基于小波变换的自功率谱密度分析能有效地提取发动机故障声信号的特征频率,适合声信号这样的非平稳信号的分析与研究。在特征提取方面,本文又提出了一种新方法——基于频段局部能量的区间小波包特征提取,它可以根据需要细分各个频带。经实践验证这些特征因子可以很好地代表发动机的工作状况。 采用改进的松散型小波神经网对典型的发动机常见故障进行诊断,即改进的小波包与BP神经网络的Levenberg―Marquardt算法相结合。经验证,该方法完全满足识别要求。