贵州工业职业技术学院 陈显灵

对于电控发动机而言，有效的故障诊断方式以及日常维护对保证其安全健康的运行发挥着极其重要的作用，受到了各界人士的高度关注。因此，故障诊断方式的研究也就成了汽车行业研究的重点话题。

如近年来提出的电控发动机故障诊断方式较多，如基于声强分析、不完全小波包分析、人工神经网络技术、基于噪声的发动机故障诊断MPA-ANM模型、基于集合经验模态分解处理转速信号提取故障信息等，每一种方式都有着自己的优势，尤其是对于一些非平稳信号故障的处理，采用基于集合经验模态分解处理转速信号提取故障信息诊断方式比较适用，其中诊断方式还能够有效解决模态混叠引发的问题，干扰能力比较强[1]。

除此之外，LM 算法和bp 神经网络也是有效的利用了Bp 神经网络对发动机电控系统故障进行识别。在经过大量的研究后发现，电控发动机系统故障诊断的方式主要有两种：一种为从理论上进行分析，通过对各性能参数之间的关系进行分析，推断出故障方程[2]；另一种为从统计学和机器学习角度着手，对大量的数据进行分析，属于一种故障排除法，采用计算机通过多种算法学习正常数据或者故障数据，进一步明确各性能参数之间的内在联系，建立预测模型，通过此模型对故障问题进行诊断。

为了能够在最短的时间内对电控发动机故障做出准确的诊断，首先就要具备较强的故障识别能力，基于支持向量机（Support Vector Machine，SVM）和振动信号分析相结合的发动机故障诊断方式，首先将振动信号的三维特征向量作为实验样本，然后将所提取到的故障的三维特征向量作为训练样本和测试样本，将其共同输入到SVM 模型中进行训练和诊断，从而实现对电控发动机故障的诊断。与BP 神经网络故障诊断方式相比较而言，基于SVM 的电控发动机故障诊断方式精确度更高。本次研究中所要分析的基于SVM 故障诊断方式属于第2种类型，本次研究深入的分析了基于SVM 的电控发动机故障诊断方式。

1 振动信号三维特征向量的分析与提取

当电控发动机出现故障时，最明显的特征之一就是机器会伴有异常噪声和振动，振动信号表现为非线性、非平稳性等特征，与其相对应的一些敏感点的振动参数也会表现出比较明显的变化，这些振动信号中则包括发动机状态方面的信息，诊断人员可以通过对这些震动信号的特征进行分析，进一步获取到更多的能够证实发动机故障方面的信息。

首先可以对振动信号的时域进行分析，也就是对振动信号在某一个时域内的变化情况、分布情况进行分析；还可以进行小波包变换分析，一般情况下，如果发动机出现故障时振动信号表现得非平稳，此时采用傅里叶方式分析，并不能明确准确的时间节点以及故障变化情况[3]。

小波包变换分析方式也能够分析出不同频段时的信号特征，并且一般会按照不同的信号特征对不同频段上的信号进行分离，然后对分离后的信号特征进行分量处理，针对不同频段的信号特点提取出其特征量，并用所提取出的特征量表达此频段上的信号特征。此种计算方式首先需要对信号进行第1次分解，通过分解将信号分成高频部分和低频部分两种，分别对其实施2抽1运算，保留偶数或者奇数，然后依次对每层信号进行分解，最终将信号分解到不同的频段上[4]。

还有一种算法为特征提取方法，就是当自控发动机出现故障时发动机的平稳性降低，通过非平稳性会表现出振动故障，通过对故障特征进行提取，进而为准确判断故障的类型提供可靠的指导依据。本次研究中采用了两种故障特征的提取方式，即食欲性特征与小波能谱熵，通过将两种方式进行结合，为准确判断故障类型提供了参考依据。

2 基于SVM 的电控发动机故障诊断原理及诊断

SVM 也可以认为是一种二分类模型，其主要目的就是通过寻找1个超平面对原样本进行分割，促使样本之间的间隔实现最大化，然后将其转化为二次规划问题进行求解[5]。这里提到的间隔其实指的是给定法向量W 后两条直尺直线之间的距离。但是在计算的过程中，如果发现利用原始空间中的简单分类无法得到比较满意的结果时，一定要将非线性问题转化为线性问题，比如可以通过函数运算将矢量映射到高维空间，然后在高维空间进行线性分类。

由于通过上述分析后发现，SVM 适合于对二分类问题进行分析，针对电控发动机日常运行状态中的无故障、其他故障以及气缸故障等建立二分类器并级联，共包括5种运行状态，即正常运行、一缸故障、二缸故障、三缸故障、四缸故障。

当电控发动机出现故障时，其内部会表现出异常振动，这种异常会逐渐传递到发动机的外部结构，导致发动机外部结构出现异常振动，部分还会伴有异常噪音，最为常见的为发动机缸盖，所以也可以认为发动机内部结构表现出的异常直接作用在缸盖上，导致发动机缸盖出现明显的异常振动。

压电式加速器将采集到的振动信号转变成电压信号，然后再通过与其配套的电源适配器逐渐放大，通过数据采集卡将相关的数据信息进行采集，再通过系统软件将采集到的数据信息转变成数字信号，在利用系统中的存储功能进行数据存储[6]。对所提取到的数字信号进行时域分析和小波包分解，通过分解能够进一步得出电控发电机的故障特征向量信息，将这些故障特征向量信息依次传输至SVM 模型中，通过模型分析进一步对故障的类型进行判断，并故障点进行定位。

比如选择诊断对象为某型号的自控发电机出现故障后，发动机的主要技术参数如下：最大功率72kW、最大转速6000r/min、最大扭矩132N/min、排量72L；本次实验中所用到的诊断设备各参数及型号如下：电源适配器为澄科5201恒流电源适配器，振动加速度传感器CT1005L ICP/IEPE，数据采集系统MCC Tracer DAQ、数据采集卡NI MCC USB-201。

通过采用诊断设备对电控发动机在五种不同工况时振动信号进行采集，并将采集到的信息进行保存作为信号数据源。有研究学者经过研究后发现[7]，汽油机缸盖的振动频率≤8kHz，在信号采集的过程中为了能够避免信息遗漏，诊断人员将诊断设备的频率设置在了19kHz，本次故障检测中采样、采样通道以及信号分析频率分别为19kHz、19kHz 和18kHz。

在提取故障信号特征特征时，先采用压电式加速度传感器对电控发动机不同工况下的振动信号进行采集，得到振动信号时域图。然后再进行小波包分解，采用小波包函数将分解层数设定为三层，先对电控发电机正常运行状态下的状态进行小波包分解，比如电控发动机在正常工况运行状态下，先进行小波包分解，其中会利用到MATLAB 分解软件，经过分解可以得到每一层每个节点的能量值[8]。最后还要进行特征向量计算，进行此步骤时需要从原始的数据中选出每种工况状态下的一组数据，然后根据所选取的数据建立此状态下的三维特征向量，将其作为故障类型以及原因诊断的依据。

3 基于SVM 故障诊断模型应用结果分析及比较

3.1 基于SVM 故障诊断结果分析

基于SVM 进行电控发动机故障诊断时，上述各种数据分处理和分析后，得到了每一种电控发动机运行状态下的特征向量，共5种特征向量，每一种状态下的特征向量为20组，一共有特征向量100组，从100组特征向量中随机选取出80组作为本次SVM模型训练的样本对象，将其余的20组特征向量作为测试模型的训练对象。

比如纵轴中的0、1、2、3、4分别代表正常运行、一缸故障、二缸故障、三缸故障和四缸故障，通过分析后我们发现，测试模型中的20组特征向量中预测出错的模型只有2组，一组本来为二缸故障、错将其预测成了四缸故障，一组本来为一缸故障、错将其预测成了三缸故障，其余18组特征向量SVM预测结果与实际结果一致。通过计算后得出，基于SVM 模型对故障的预测准确率为90.00%（18/20）。

3.2 基于BP 神经网络发动机故障诊断

基于BP 神经网络也是近年来被广泛应用于电控发动机故障诊断中的常用方式，几种方式能够对故障进行分类识别，目前在对自控发动机故障诊断的应用中也取得了较好的效果，其效果受到了专业人士的高度认可。

在基于BP 神经网络方式对电控发动机进行故障诊断时，需建立故障诊断bp 神经网络模型，通过此网络模型实现故障诊断，且此种诊断方式在进行故障样本特征量选择、故障特征量的提取、特征向量的分析等方式同基于SVM 故障诊断方式基本相同。不但如此，其中对电控发动机工况的选择、各种工况对应的特征向量数量、采用模型进行训练的样本的数量、测试对象的样本数量等都与基于SVM电控发动机故障诊断方式比较类似。

在误差方面，训练集最小均方误差在第5代时满足本次测量目标的需求，但是相比较而言bp 神经网络有所收敛，当第5代时出现训练集最小均方误差后之后也呈现出了明显的下降趋势，并且下降趋势变化比较大，坡度较陡。

但是在对测试结果进行分析后发现，如果纵轴上的0、1、2、3、4分别代表正常运行、一缸故障、二缸故障、三缸故障和四缸故障，在对其故障检测结果进行分析后发现，测试模型中的20组特征向量中预测出错的模型有4组，一组本来为一缸故障、错将其预测成了三缸故障，一组本来为二缸故障、错将其预测成了正常工况，一组本来为一缸故障、将其预测成了二缸故障，一组本来为正常工况将其预测成了四缸故障，其余16组特征向量SVM 预测结果与实际结果一致。对于预测错误的4组特征向量样本中，未能实现正确分类的样本有4个，通过计算后得出，基于BP 模型对故障的预测准确率为80.00%（16/20）。

3.3 结果比较

基于SVM 模型对故障的预测准确率为90.00%，基于BP 模型对故障的预测准确率为80.00%，通过比较我们发现，虽然在进行电控发动机故障诊断方面，基于SVM 模型和基于BP 模型均取得了较好的效果，但是相比较而言，基于SVM 模型对电控发动机故障诊断准确率更高，并且此种诊断方式对样本特征向量的容错率也更强。

正是由于基于SVM 模型诊断结果的误差比较小，所以模型相对而言比较稳定，故障预测中所采用的方式更加简洁，操作起来比较容易，基于SVM 模型能够有效解决一些有限的数量样本中，高维数模型方面存在的问题，但是如果所分析的数据为大样本数据时，基于SVM 模型训练的速度则相对而言有些慢，所以对于一些数据样本量比较大、或者数据的分类需求比较多，对于此种数据分析方式可以选择BP 神经网络模型分析，优势更加明显。

综上，对电控发动机故障进行诊断时，在基于SVM 模型进行分析，对振动信号进行采集，将采集到的信息数据进行小波包分解处理，将其处理结果与时域特征中的相关数据特征综合性的分析后得出振动信号的三维特征向量，将此向量输入至基于SVM 模型中，采用此模型进行三位特征向量的学习和预测，预测准确率较高。通过与基于Bp 神经网络的预测结果进行比较，基于SVM 模型进行电控发动机故障诊断的优势比较明显，不但准确率较高，并且实用性更强，应用价值更高。