外文翻译 - 基于小波变换和支持向量机的发动机故障诊断点火波形分析.docx

1、机电工程学院毕业设计外文资料翻译设计题目: GD1091型商用车驱动桥、后悬架设计 译文题目: 基于小波变换和支持向量机的 发动机故障诊断点火波形分析 学生姓名： 学 号： 专业班级： 指导教师： 正文：外文资料译文 附 件：外文资料原文 指导教师评语： 签名： 年 月 日正文：外文资料译文文献出处：中国机械工程杂志，2011（5）基于小波变换和支持向量机的发动机故障诊断点火波形分析 VONG Chi-man1，WONG Pak-kin2，TAM Lap-mou2，张在勇2 1.中国澳门大学 科学与技术学院 计算机与信息科学系2.中国澳门大学 科学与技术学院 机电工程系 摘要：发动机点火的火花

2、是发动机故障诊断的一个重要依据。基于点火模式的波形，机器能够根据自己的准则猜出猜出是那个部件存在潜在的故障。但是，由于很多点火模式是十分相似的，所以这个准则的诊断方法是不够准确的。因此，故障的诊断要求大量的试验才能够确定故障的零部件。此外，机械师们还需要拆卸和组装发动机的相应部件进行验证。为解决这样的问题，点火模式就成为一个智能诊断系统建立的基础。首先，拍摄模式是以归一化和压缩为目的的。其次，小波包变换（WPT）是来提取点火当中的典型特征模式。最后，利用多类支持向量机建一个分类系统（SVM）来提取相应的特征。分类系统会智能地把最有可能发生的发动机故障检测出来从而减少诊断试验的次数。实验的结果表

3、明，SVM的诊断结果比传统多层前馈神经网络的精度要高很多。这是第一次实验将WPT和SVM相结合去分析、诊断汽车发动机的点火模式。关键词：汽车发动机；点火模式诊断；模式分类；小波变换；支持向量机1引言汽车发动机的点火系统建立的基础不同，但基本操作是相似的。所有点火系统的次级电路中的火花都是由初级电路引起的，而且火花必须在正确的时间点上交付给火花塞。示波器和范围表是用来对点火系统进行分析的。范围模式显示点火系统故障并且帮助找到相应的原因。范围表可以测出或宽或窄的火花间隙，并且打开火花塞的电缆从而短路点火线圈，范围表还能够检测到发动机射击电压。而就是需要的火花塞电压。这些情况都可以改变火花线持续的时

4、间或火花线的斜率。范围表通过几种模式通常可以显示点火系统和发动机问题的原因。基本点火模式和每个模式表示的意义对于检测发动机点火问题是十分重要的。图1展示了电子点火系统中发动机的循环和其相应的发动机故障的一下例子。 当使用范围表对发动机故障进行诊断时，捕获的点火信号需要技师指示起点和终点的信号。然后，技师们把这些信号与信号手册中的进行对比分析。根据分析诊断，将发动机的相应部位进行拆开。然而，这种人工诊断可能是不准确的，因为许多信号模式是十分相似的。除此之外，不同（甚至是相同的）发动机的故障同样产生很多不同形状的点火模式。因此，点火模式是没有标准的幅度以及持续时间。很明显，比较信号的相同或是不同仅

5、仅是靠技师们的个人经验，这是一个相当困难的任务。为了基于点火模式找出故障，几个试验（拆卸和组装发动机零部件）是必要的，但这需要投入大量的时间和精力。为了解决这个问题，机械师必须掌握一种以计算机为基础的模式分类系统。火花塞积碳时间/毫秒失火由于极其稀薄的混合物文本框时间/毫秒狭窄的火花塞间隙文本框时间/毫秒发动机异响时间/毫秒时间/毫秒浓混合气图 1 电子点火的点火模式示例和相应的发动机故障当前， 几乎没有基于计算机点火方式来分析汽车发动机故障与诊断的文献。其主要原因由一下几点：（1）点火模式是时刻变化和非固定的。不同发动机模型产生的点火模式的振幅和持续时间是不同的。即便是相同的发动机，在不同的

6、运行状况下也就产生不同的模式。这进一步增加人为诊断的困难程度。（2）不同发动机故障的点火模式十分相似。从人为的角度来看是很难正确区别各种模式，尤其是当捕获的范围表是根据失真的噪声的时候。为了解决这些问题，小波包变换（WPT）作为一种特征提取方法被提出来，用来检索点火频率的显著特征模式。以这些提取的特征为基础，建模点火模式分类便成为一种可能。一个大约120毫秒的周期对发动机来讲是很典型的。因此，汽车仪表通常会设置频率为100千赫的采样率用来捕捉发动机每个循环点火方式和怠速试验条件下的频率采样率，这是一种很常见的情况，但是数量的采集量是巨大的。例如：800转/分钟怠速，100 kHz的采样率和四冲

7、程发动机循环，每个样本模式会产生15000个数据点。对所有的数据点进行特征提取和分类是不明智的，但是其中最重要的数据点应被选中。因此，其中的功能程序的提取和压缩就是必须要做的，它可以利用小波包进行压缩。在分类和建模的技术上，多层前馈神经网络（MFN）和高斯过程分类通常使用处理信号模式来识别。然而，这些两种方法有几个缺点。对于MFN来讲，首先其结果不一定是我们所期待的最好的网络结构。其次，培训过程（即，残差的平方误差成本最小化函数）通道很容易地被卡住，并且局部极小，重量衰减。但是这些方法很大程度上影响了估计函数。 高斯过程分类过程中，数据会被假定是正态分布的。虽然分布信号可以被转化近似值，但这种

8、转化常常是不精确的。除此之外，高斯过程需要很长的训练时间。最新的研究结果表明支持向量机（SVM）比MFN更具有准确性。与高斯过程分类相比较，SVM更适合于高维数据集。因此在这项研究中支持向量机是用来构建一种基于计算机的模式分类。在以上提到的应用技术当中，利用点火方式来分析汽车发动机故障是一种全新的实验。 本文的结构如下：第2和第3部分讲解以上不同的技术。第4部分展示基于计算机的结果分类点火模式。第5和第6部分列举分析实验装置和结果。第7部分是对以上做的总结。2小波包变换2.1 离散小波变换(DWT)在许多工程信号分析当中已经证实离散小波变换有非常有效的应用。DWT的主要 优点是它构建了一个不同

9、的支持（窗口大小），即扩张（宽）的低频和夏普（窄）高频。这样以来，高频率的信号便需要更详细的频域分析。在另一方面，该信号的低频还要进行时域分析。这样以来就建立了最优时频分辨率的范围。一般地，在小波变换中，信号xN由两个数字滤波器进行分解和迭代。然后通过过滤器2向下采样。第一过滤器G是由一个高通滤波器和离散小波母函数组成，用来提取高频率信号。第二个过滤器H是一个低通滤波器，主要对低频率进行提取。利用同样的过滤过程进行持续逼近Aj产生Dj+1和Aj+1直到终止条件。所有的载重可以由一个低通滤波器H指定，符合标准的正交镜像滤波器的条件是：上式中H（z）是指Z变换中的H过滤器，然而互补的高通滤波器被定

10、义为：随着长度的增加过滤器（按J）可以得出，J=0到n1： 与初始状态H 0（Z）=1。滤波器被作为时域上的双尺度时间关系而表达出来。 上式中 m表示m和k具有同样采样的离散时间。该归一化的小波和尺度基函数I，L（K），I，L（K） 可以被定义如下： 上式中2I/ 2的因子是内积正常化、i为尺度参数、l为平移参数、DWT的分解可以根据信号x（k）描述如下： 上式中，A（i）(l)（升）和D（i）(l)是近的系数，在i的分辨率分别为细节系数. 2.2小波包变换（WPT） 小波包变换（WPT）概括了小波分解，并且提供了更丰富的信号分析。滤波器中的信号的由DWT分解，但只分解低 频带，其右叶代表 较

11、低频带，其左叶代表了较高的频带。再由对应的WPT进行分解 ，这种分解形成一种平衡二叉树结构。 图3正是这种结果的表示。因此，WPT是DWT 的延伸， WPT的优点是信号可以分解为组频率子带，并且其上熵也可以测量。熵是描述给定的信息的相关属性 ，是描述非平稳信号最理想的工具。根据测得的熵的每个子带和一个给定的最适合的分解，信号可以便可以被选择了。图2 WPT的三个层次分解WPT中使用的熵类型通常是以下中的一个：基准：E(S) = |Si|p, p1;登入能源：E(S) = log (Si2);E(S) = n # i such that | Si | + min(Si2, 2).上式中：S是测量

12、到的信号、Si 是信号的第i个小波系数，n为信号的长度，是由公式计算的临界值：2ln(n log2(n)1/2。有了基于熵的标准之后，小波分解就可以自动计算了。2.3压缩正如上文所提到的，一个采样点所捕获的图案数量是十分巨大的，因此它需要很长的时间来训练，测试此种点火模式。点火模式会在特种提取前被压缩为预处理步骤。考虑信号S= F（X）， 它可以再次被分解： 由于给定的信号的频率分布不一定总是偶数，这些个小波包基的重量会有明显的改变。因此，有可能放弃低重量的包基，并选择高重量的人，用来分解给定的信号。这一过程就是所谓的最优小波包基的选择。从信息处理角度来说，这一选择便是实际数据压缩的过程。2.

13、4特征提取 经过小波包压缩、变换，便可以进行特征提取了。特征提取是目的。通常的特征矢量是 该模式减少之后的表示，从而降低建模的复杂性和计算量。 通过WPT一组2L的 的信号子带可以得到的，L是WPT分解的水平。3多类支持向量机3.1支持向量机的两类问题当前支持向量机是一个众所周知的计算机学习工具。它被广泛应用到处理范围广泛的工程问题当中。SVM的主要思想是通过技巧映射，使非线性的例子能更精确地分类。给定一组训练 模式xi，yi，其中i = 1，2，“l.yi+1，-1、 xi Rd。在此应用中，xi为捕获的点火模式示波表，而yi是与标签相关联的每个图案表示的类中的一个。从超平面可以发现，当利润

14、率是最大时候而不是解决这问题，其对偶问题可以更容易解决。, 在方程（12），我和j是的拉格朗日乘数，获得最高利润率的原始优化， C则是一个正则化的参数，K是一个计算在更高维的内积 空间的内核函数 。这个内核函数应该满足Mercer的 定理。在此应用中，在径向函数的基础上（RBF） 内核被使用： 其中R是一个超参数。 根据二元分类器的输出，然后计算：其中Ns是发现结果支持向量的数量优化问题，xi支持向量和b在训练阶段的临界参数进行更新。基于 SGN函数，已知 z后便可以直接计算 F（Z）。3.2 SVM多类策略多类SVM考虑的是多类问题的二元分类收集。有两种主流方法，k个不同的分类器可以构建对于k类。第k个分类器构造一个该类之间的超平面。其中每个超平面把它本身从其他类中分离出来。应当指出的是，即使在数目很小的情况下支持向量机也成倍增加。然而，在目前的研究中采用一对一的策略是因为它的准确性可以得到保证。4 项目建设的点火模式分类本部分介绍总体建设思路与智能点火方式的分类。图3所表示的是四个分类系统的阶段。第一阶段是训练数据，即数据点以及它们对应的发动机故障。在每个阶段的具体操作下提出的以下阶段，训练数据采集的案例研究在第5部分中再进行描述。SVM MFN萃取压缩正常提取分类压缩信号火花