摘要：构建基于深度学习的轻量级卷积神经网络实现发动机声音信号的失火故障检测。运用计算机的麦克风阵列记录发动机不同转速下的正常状态、一缸失火状态、二缸失火状态的声音信号。将声音信号转换成时频图像应用于卷积网络模型的训练、验证和测试。声音时频图像特征提取网络主要由可分离卷积模块构成。特征提取网络连接时频图像分类器,对含有不同个数的特征通道分组卷积模块的网络模型进行训练、验证和测试试验的比较分析。设计的卷积神经网络应用于发动机失火故障检测的准确率达到99.60%。网络的计算量小、检测时间短。基于特征通道分组卷积的深度学习网络能够快速地完成对发动机失火故障声音信号的检测诊断,为发动机失火故障的在线实时检测提供智能决策支持。

摘要：增程器失火故障可能导致增程式电动汽车工作性能恶化、续航里程降低以及振动噪声增大等不良后果。通过对增程器轴系的瞬时转速信号进行谐波分析,研究了增程器失火故障的诊断方法。首先,以轴系扭振理论为基础,建立增程器的动力学模型,从理论上分析了不同工况下瞬时转速谐波的变化趋势。然后,搭建了增程器的刚柔混合多体动力学模型,利用仿真实验模拟不同工况下瞬时转速谐波的变化规律。最后,以某柴油发电机组为例进行了单缸失火台架试验,数据分析结果表明瞬时转速的0.5谐次幅值和相位特性可作为增程器失火故障诊断的特征参数。

摘要：小波包变换在柴油机故障特征提取中应用广泛,其中,小波包基函数的选取对特征提取性能的影响至关重要。基于此提出了1种优选小波包和粒子群优化支持向量机(PSO-SVM)的失火诊断方法。首先,选择5种不同类型的离散小波包基函数分别对缸盖振动信号进行小波包多层分解;然后,计算缸盖振动信号的小波包能量与信息熵的比值,从中选择比值最大的小波包基函数作为最优的小波包基函数;进一步,采用最优小波包基函数分解缸盖振动信号并提取小波包频带能量概率密度作为特征向量,以及构造故障诊断特征集;最终,将故障诊断特征集输送到粒子群优化支持向量机中进行柴油机失火诊断识别。实验结果表明,利用最优小波包基函数提取特征具有良好的效果,同时PSO-SVM的识别准确率达到97.5%,说明了优选小波包和PSO-SVM的诊断方法是可行且有效的。

摘要：(上接2020年第1期)3.3试验验证3.3.1系统功能性故障诊断验证对于功能性故障诊断,在试验车辆上使用老化的催化器,按照上述的试验程序进行试验验证。a)失火故障验证由图8可知,在Ⅰ型循环试验中,引入排放接近OBD限值的3%的失火率,在30 s左右失火故障标志位由“0”至“5”同时MI标志位由“0”至“3”,表明OBD系统检测出失火故障并点亮指示器。此循环THC的排放值在OBD限值的87%左右而总体均低于限值的120%,符合规定要求。