王中方[1]2010年在《摩托车发动机异响特征提取研究》文中提出现行的摩托车发动机异响检测方法为人工听诊,主观性很强,容易出现错判。因此,有必要建立一种发动机异响评价体系,客观定量的检测发动机声音,提高准确率。本文提出基于振声信号的发动机异响检测方法,利用现代信号处理技术,对发动机异响信号进行信号分析,提取各种异响的特征。本文针对摩托车发动机缸头异响振动信号,利用光电传感器信号为参考信号,结合配气相位角,确定一个周期中的冲击信号,并使用时域统计函数计算各个循环内的异响特征值;通过与正常发动机频谱对比,找到了异响的特征频率;利用阶次分析研究了正常与异响发动机振动信号的能量分布,以及它们各阶次的能量差异。分析结果表明,叁种方法都能够正确识别缸头异响。对右盖异响声信号进行频谱分析和包络分析,发现异响频率段为5kHz-6kHz、3.3kHz-4.3kHz,再通过声学互动滤波对分析出的异响频率进行验证,并对不易识别的异响频率3.7kHz-4.2kHz进行识别。从右盖异响分析的结果发现,机油泵异响频率并没有体现在齿轮啮合频率,而是存在于多种高频段,随着转速的增加,频率不变,能量逐渐增大;对正常机和右盖异响机进行K-均值法聚类,结果表明所选异响特征参数:低频(600Hz-1.6kHz)能量比值λ1、中高频(3kHz-6kHz)的能量E和能量比值λ2能正确对其分类。尖叫异响原因主要是平衡轴齿轮和曲轴正时齿轮,其异响频率体现在齿轮啮合频率以及倍频上,从叁维谱阵和阶次跟踪上更能体现出来。通过声强法对发动机声信号频率段进行识别,结合发动机顶面和右侧面声强分析结果,确定2kHz-2.3kHz和2.3kHz-2.5kHz为机机油泵发出的噪声;异响频段5kHz-6kHz的噪声源集中在副离合器和机油泵处。
夏鲁宁[2]2012年在《小波滤波在摩托车发动机异响诊断中的应用》文中研究说明基于异响信号分析的发动机故障诊断是一种非接触式的故障诊断方法，具有操作简便、准确率高、自动化程度高的优势，但是不可避免的在声信号采集和分析过程中会有噪声信号干扰。本文以此为背景，对小波滤波技术在摩托车发动机异响诊断中的应用问题做了研究。具体工作概括如下：论文在开始的绪论中阐明了选题的意义，简述了发动机异响诊断的现状和共性问题，总结了当前小波滤波技术在故障诊断领域的应用和发展，以及小波滤波技术在处理瞬态脉冲信号中的优势所在。从实验设计入手，通过实验分析和测试经验，选择最能体现摩托车发动机运行状况的测试工况和测点。介绍了傅里叶变换的基本机理，并指出其在处理瞬态和高奇异性信号时的不足。引入时频分析方法，依次介绍了了窗口傅里叶变换、连续小波变换、离散小波变换、小波包变换和小波包分解的基本原理，对各信号分析方法进行剖析，并比较各种方法的优劣。总结了傅里叶变换跟小波变换的根本差异，阐明小波变换的优势所在，为下文小波滤波和小波包滤波算法的提出奠定理论基础。指出常规FFT滤波降噪方法的局限性，引入时频滤波方法，比较基于傅里叶变换的常规滤波方法和基于小波变换的滤波方法的优劣，并介绍了小波时频分析方法的发展现状；介绍小波滤波的定义、模型和滤波降噪的准则。运用常规滤波方法与小波滤波方法分析仿真信号，通过信噪比SNR、均方差MSE及波形相似性NCC叁个数学参数来评价滤波效果，验证小波滤波的优势。最后，对小波滤波算法中的关键问题进行讨论，显着性系数、小波基的选取、分解层数的确定都会影响小波滤波效果，需要重点讨论分析。以本课题中所研究的某110cc发动机为例，对异响类型中的箱体异响和右盖异响声信号，分别运用小波滤波和小波包滤波方法进行分析处理，能够比较清晰的提取各异响类型的特征。结合小波滤波算法提出了一种主观的听诊方法——小波互动滤波回放，在一定程度上将小波滤波算法和专家的经验有机融合在一起，对瞬态脉冲信息的回放在某种意义上是个突破。
曹立[3]2002年在《摩托车发动机配气机构异响故障诊断的研究》文中研究说明摩托车发动机是一个典型的综合性复杂系统，从结构上看，它是由机、电、液等各子系统组成的机电系统，属于多层递阶结构；从故障特点看，它常常表现为故障症状复杂，故障与故障之间的原因关系复杂等。由于故障诊断技术及应用的局限，目前我国摩托车制造行业对发动机故障检测还停留在人工检测阶段，主要采用耳听和手摸等落后的检测方法与手段。这种方式不但效率低，不能满足现代大生产需求，而且由于主、客观因素的影响，经常出现错检、漏检，对整机产品质量造成很大的影响。开发摩托车发动机智能故障检测系统旨在实现故障检测的自动化、智能化，其研究既有理论意义，又具有实用价值。 本文在介绍摩托车发动机故障诊断现状和摩托车发动机配气机构组成的基础上对125型摩托车发动机配气机构振动与噪声进行了较详细的分析，在此基础上通过故障模拟实验分析，应用模糊逻辑理论构筑了配气机构异响的故障诊断规则，提出了基于虚拟仪器的摩托车发动机异响故障诊断的专家系统，并对以此方法为核心的智能故障诊断系统结构、组成及工作过程等问题进行了研究与讨论。 本文的具体研究工作如下： ①在介绍配气机构组成和摩托车发动机气门机构单自由度动力学模型的基础上，在理论上对摩托车发动机配气机构振动进行了较详细的分析，通过配气机构的噪声试验，分析了配气机构噪声的特性。 ②在分析摩托车发动机配气机构异响与响声特点的基础之上，初步探讨了利用气缸盖表面振动信号诊断摩托车发动机配气机构异响故障的可行性，通过摩托车发动机配气机构故障模拟实验分析，建立了配气机构异响故障特征提取的方法与原则。 ③根据设计任务的要求，对现有的故障诊断方法：基于推理的方法、基于模型的方法、基于人工神经网络的方法、基于案例的方法等方法进行了对比分析，提出了以虚拟仪器作为人机对话界面及接收采集数据部分，专家系统作为诊断分析部分的核心，虚拟仪器调用专家系统进行分析的智能故障诊断系统，即专家系统加虚拟仪器的诊断系统。并对摩托车异响故障诊断系统进行了初步的规划设计。 ④提出了一种隶属函数系数的机器自学习方法，增强了摩托车发动机故障诊断系统离线、在线学习的能力，从而提高了诊断系统决策的准确率与学习能力。
徐道连[4]2005年在《摩托车噪声检测及分析新技术的研究》文中研究说明本文介绍了摩托车噪声检测与分析新技术的研究，虚拟仪器系统软件开发工具的设计方法，采用面向对象的程序设计思想，在Windows环境下用VC++语言进行了虚拟仪器软件开发平台的研究与设计，研制出一种用于摩托车噪声分析和诊断的可视化虚拟仪器系统。利用该虚拟仪器系统可方便地组合成各种类型的噪声信号分析虚拟仪器，其最大特点是“按需构造，随做随用”，用户不仅是仪器的“使用者”，还是仪器的“设计者”，而且，用户的所有操作都可以在虚拟仪器上进行，具备诸如“采购组件”、“装配组件”和“调试整机”等操作功能；还提供了旋钮、开关、滑块、指针、显示器等功能庞杂、内容丰富的“虚拟组件库”，整个系统被划分为主控框架和“虚拟组件库”两大部分，它们之间相互独立，通过最小化的纽带模块进行联系。主控框架视图隶属于人机界面，是人机界面的支撑核心。事实上，对于每个实例(即1个组件)都对应着1种特定的功能，所有的功能组件集合起来就构成了组件库。从控制器件库中选择示波器面板所需的控件和显示屏幕，并调整好大小、颜色及位置，按规则将所有虚拟组件连线，虚拟仪器内部组件互连，再配上瞬态信号测试DAQ板，就构成了一台“虚拟示波器”。采用同样方式，可以生成虚拟频谱仪等不同的虚拟仪器。 作者在第2章对噪声信号分析的基础理论进行了论述，编写了相应的分析软件，并结合虚拟仪器系统实现了摩托车噪声分析虚拟频谱分析仪、虚拟相关分析仪、虚拟功率谱分析仪。第3章对小波理论进行了论述，并结合摩托车噪声分析，编写了相应的分析软件。第4章对硅微阵列理论进行了论述，提出了摩托车噪声检测硅微阵列滤波传声器的新思想，并且进行了设计；对噪声检测声级计的理论进行了论述，而且结合虚拟仪器系统，提出了噪声信号检测虚拟声级计的概念。 第5章介绍了摩托车噪声检测及分析虚拟仪器系统的控制面板及常用控件，并结合2-3两章的理论，实现了噪声分析的常用功能。第6章介绍了对摩托车的实验验证并得出了结论。 作者介绍的噪声分析虚拟仪器有以下几个特点： ①功能由用户自己定义； ②面向应用的系统结构，可方便地与网络外设、应用等连接； ③展开全汉化图形界面、计算机直接读数、分析处理： ④数据可编辑、存储、打印； ⑤基于计算机技术开放的功能模块可构成多种仪器； ⑥技术更新快(在使用过程中不断完善和改进)；
邱益斌[5]2002年在《摩托车发动机异响专家诊断系统》文中进行了进一步梳理摩托车异响专家系统是一种先进的诊断系统，有广阔的应用前景和开发价值。噪声信号处理是摩托车异响专家系统中的重要组成部分。随着计算机技术的发展，数据处理能力的不断增强，使得人们的工作效率不断得到加快。论文讲述了如何利用计算机数据处理来解决生产实际中的问题。本文首先介绍了专家系统在当前的发展趋势、前景、国内外发展动态以及研究该项目在生产实际中的应用进行了探讨。第二章介绍了虚拟仪器的概念、构成、演变与发展以及设计虚拟仪器的软件工具。同时也对虚拟仪器的硬件结构作了较详细的阐述。第叁章介绍了信号分析的几种方法。该章节从信号的一般分析方法、信号的傅里叶分析、信号的相关分析以及信号的功率谱分析，依次进行了全面的分析，从理论的角度对信号分析所进行的处理工作作了全面的阐述。第四章介绍了信号分析仪的计算机软件实现方法。该章节主要介绍C/C++和VC++两种语言在解决问题中的优势，以及如何利用这两种语言完成我们需要的数据处理和处理这类数据需要的技巧。该章节的最后还介绍了所写软件的界面和相应设置参数。第五章介绍了本软件的具体使用方法、运行环境、功能说明等，同时还对软件的显示界面进行了展示，详细罗列了各功能按钮的合理布置。第六章介绍了对具体摩托车的结构辐射噪声、滚动轴承、活塞敲击、气门凸轮配气机构噪声、齿轮啮合噪声、燃烧噪声、进、排气噪声进行了全面分析。最后对全文的研究工作作出了总结。
时超[6]2011年在《基于BP神经网络的发动机异响模式识别》文中研究说明传统的异响类型诊断方法大多是以领域专家和操作者的经验知识为核心,存在知识获取困难、推理效率低下、自适应能力差等不足。同时由于异响类型征兆和异响类型之间常存在着复杂的非线性关系,使得诊断系统的数学模型很难获取。然而,人工神经网络以其分布式并行处理、自适应、自学习、联想记忆以及非线性映射等优点,为解决这一问题开辟了新途径。本文以JS某型摩托车发动机为研究对象。以连续小波提取发动机声信号的能量特征作为输入特征值,建立相应的BP神经网络运用标准BP算法对几种异响类型进行分类,实现模式识别的目的。然而由于建立的神经网络采用标准BP算法时存在对样本的输入顺序敏感、收敛速度缓慢、易陷入局部极小值等缺陷,为了克服这些不足需对标准BP算法进行改进。本文针对标准BP算法存在的不足,分别采用打乱样本输入顺序、添加附加动量因子、学习率自适应调整和基于Levenberg-Marquardt法进行改进。这几种改进措施分别对应了加动量项BP算法、附加动量—自适应学习率BP算法及基于Levenberg-Marquardt算法,本文对上述叁种改进算法及标准BP算法进行分析对比。最终,通过对比几种算法和不同网络结构的诊断速度和诊断准确率,得出了最适合的神经网络结构为叁层网络:输入层单元数为11、隐层单元数为20、输出层单元数为2;输入层—隐含层传递函数为tansig、隐含层—输出层传递函数为logsig、训练函数为trainlm;最适合的算法为基于Levenberg-Marquardt算法。最后,由于编写相应算法的M文件有些繁杂,本文为了提高人机互动性,应用MATLAB的图形用户界面(GUI)设计开发了发动机异响类型诊断系统。
杨兴国[7]2017年在《发动机异响的特征提取与模式识别》文中提出异响是指在外力的作用下,两个或者多个相邻部件的表面产生撞击或者摩擦而诱发出的声音。汽车异响的主要激励源有路面、驾驶员的操作和零部件失效等。汽车、摩托车产生异响的部件有很多,如发动机、悬架、车身、底盘等。本文的讨论对象为发动机异响。随着购买者对摩托车舒适性的关注度日趋增高,摩托车的NVH性能也逐渐受到绝大多数车企业的重视。因此,摩托车发动机在下线之前都有一个异响检测环节,避免有异响问题的发动机流向市场。目前,发动机异响检测大多采用人工听诊的方法,工人师傅通过听诊仪器来判定发动机是否存在异响。由于个人技术水平、实际经验的差异,这种传统的异响识别方法存在着较大的偶然性和主观性。而且,人工听诊法有较强的背景噪声,长时间工作对操作者身体也会造成伤害。因此,本文提出了一种基于SVM分类器依据发动机声信号进行异响识别的方法,避免了人工操作的诸多弊端。现场采集的发动机声信号含有较强的背景噪声,在数据分析之前必须做去噪处理。通过学习小波分析理论和信号仿真得知,利用小波空域相关滤波法可以有效去除发动机声信号的背景噪声,同时,信号的瞬态脉冲成分能够很好地保留,符合我们对分析信号高信噪比的要求。信号有时域和频域两种描述,信号的特征除了频率外,还有能量、响度、尖锐度等指标来衡量。本文对去噪信号作3层小波包分解,将小波系数的平方定义为信号的能量,作为信号的特征之一。另外,对上述的去噪信号作双谱估计,提取双谱峰值相关信息作为信号的另一特征。本文将信号经小波包分析和双谱估计提取到的特征向量作为支持向量机的输入,进行向量机训练。选取合适的分类器核函数及相应参数经过样本训练后,向量机就具有了发动机异响识别能力。用已知异响类别的测试样本检验向量机的泛化能力,保证训练好的向量机能够识别发动机异响类型。运用一套采集设备采集发动机声信号,经过滤波去噪,提取特征向量,再经过样本训练使分类模型具有较高的分类精度,向量机的输出即为发动机异响类型。为了分析方便,借助MATLAB软件设计了一个GUI小程序,避免了繁琐的数据处理过程。
高群钦, 陈安宇[8]2010年在《发动机异响故障的模糊专家诊断方法研究》文中研究说明基于模糊综合评价诊断方法,建立了发动机异响故障的模糊综合诊断模型,并开发了计算机辅助诊断系统。研究结果表明,发动机异响故障的模糊综合诊断模型充分考虑了实际诊断中的各种因素,开发的计算机辅助诊断系统可以为检测诊断人员指明方向,提高发动机异响故障诊断的工作效率,具有一定的应用价值。
杨雷[9]2017年在《基于LabVIEW的发动机异响监测与诊断系统研究》文中提出对虚拟仪器技术和LabVIEW虚拟仪器开发平台进行概述,对不同类型、不同状态下的发动机异响诊断原因和诊断方法进行研究,对比人工诊断和基于现代信号处理的诊断方法,基于LabVIEW开发出发动机异响监测与诊断系统,对发动机的异响进行分析与诊断,实现对发动机运行状态的识别和发动机故障的诊断。
阚磊[10]2016年在《小波去噪和概率神经网络在发动机声信号识别中的应用》文中指出对发动机运行时产生的声音进行采集和分析是了解发动机状态的一条有效途径,因此发动机声信号的识别是发动机状态检测与故障分类的重要组成部分。针对目前我国对发动机运行时声音是否正常还采用人工听诊的状况,本文提出了一种用小波去噪及概率神经网络为主要信号处理和模式识别的发动机声信号识别方法。论文首先剖析了小波变换中连续小波变换和离散小波变换各自的概念和性质,为小波去噪的引入打下了基础。通过详细对比分析模极大值去噪、小波阈值去噪和小波空域去噪3种方法的优缺点,指出了小波阈值去噪是一种较优的选择。又针对发动机声信号具有突变、不连续点的特征,小波阈值去噪会产生伪Gibbs现象,论文提出了运用基于平移不变小波的阈值去噪法,并确定了该方法中平移量的大小和解决了阈值函数的选取问题。通过对加噪后的blocks信号进行仿真分析,确认了平移不变小波去噪具有很好的去噪效果。论文对概率神经网络在发动机声信号识别中的共性理论进行了分析,详细描述了人工神经元的概念、神经网络的分类及学习方式。在深入剖析Bayes理论和Parzen窗理论的基础上,对概论神经网络的特点进行了总结,并对其学习算法进行了系统的描述。论文选取某单缸四冲程发动机的声信号为研究对象,描述了该款发动机的基本技术参数、声信号的类型(以异响类型为主),确定了发动机声信号的采集工况、测点位置和测试环境,分析了测取声信号的硬件和软件,为能够正确采集发动机声信号做出了规范。基于以上结论,本文对正常、箱体异响、右盖异响、左盖异响四种状态的发动机声信号做出了滤波前、后的时频对比分析,确认了小波去噪的必要性和可以用1/3倍频程值作为发动机声信号的特征向量。通过将特征向量代入概率神经网络中训练和预测,结果表明,小波去噪及概率神经网络在发动机声信号识别中取得了很好的效果。
参考文献：
[1]. 摩托车发动机异响特征提取研究[D]. 王中方. 重庆大学. 2010
[2]. 小波滤波在摩托车发动机异响诊断中的应用[D]. 夏鲁宁. 重庆大学. 2012
[3]. 摩托车发动机配气机构异响故障诊断的研究[D]. 曹立. 重庆大学. 2002
[4]. 摩托车噪声检测及分析新技术的研究[D]. 徐道连. 重庆大学. 2005
[5]. 摩托车发动机异响专家诊断系统[D]. 邱益斌. 重庆大学. 2002
[6]. 基于BP神经网络的发动机异响模式识别[D]. 时超. 重庆大学. 2011
[7]. 发动机异响的特征提取与模式识别[D]. 杨兴国. 重庆大学. 2017
[8]. 发动机异响故障的模糊专家诊断方法研究[J]. 高群钦, 陈安宇. 小型内燃机与摩托车. 2010
[9]. 基于LabVIEW的发动机异响监测与诊断系统研究[J]. 杨雷. 装备制造技术. 2017
[10]. 小波去噪和概率神经网络在发动机声信号识别中的应用[D]. 阚磊. 重庆大学. 2016
标签：自动化技术论文; 摩托车发动机论文; 摩托车论文; 故障诊断论文; 配气机构论文; 小波去噪论文; 数据滤波论文; 汽车故障论文; 虚拟仪器论文;