导读:本文包含了发动机异响信号论文开题报告文献综述及选题提纲参考文献，主要关键词:发动机检测,声信号,小波滤波,故障特征图
发动机异响信号论文文献综述
齐伟[1]（2016）在《基于声信号的汽车发动机机械异响故障诊断方法研究》一文中研究指出当前现行的汽车发动机异响检测方法是以人工经验听诊法和仪器设备辅助诊断法为主的传统诊断方法,并且这些传统的诊断方法主观性很强,容易造成误判现象。所以,研究一种基于客观事实的汽车发动机异响诊断方法非常必要,有助于直观、定量的检测以提高检测分析的准确率。文章首先简要介绍了汽车发动机机械故障非接触式检测的国内外发展研究现状,总结了依靠发动机声信号判断汽车故障的优缺点和可行性问题,并详细阐述了目前这个领域发展的基本理论。应用的极坐标变换法的基本理论,对该方法中的镜像对称平面的旋转角度、放大因子和时间间隔叁个因素进行详细分析,最后对图像匹配系数进行说明。然后以汽车四冲程直列发动机为研究对象,通过人为设置油底壳处异响、前部异响、气门挺柱异响等各种机械故障并对其产生声信号进行检测,详细介绍了试验过程和试验硬件系统并对硬件系统的选型和关联以及试验注意事项进行了说明。介绍发动机声信号的测取工况、确定测试位置,完成声信号采集系统的整体设计;然后人为设置发动机故障测试缺陷声信号并整理测试数据。对软件滤波后的各种汽车发动机声信号进行极坐标变换的理论分析、用模拟信号对所选的效果进行评价、用实测到的发动机声信号进行发动机异响检测分析。最后应用极坐标变换法整理分析发动机声信号数据,将拟选取的正常无故障发动机、油底壳异响发动机、前部异响发动机、发动机气门挺柱异响发动机四种类型分别建立声信号特征图,通过各种缺陷发动机的10组数据,形成各自的极坐标变换镜像特征图,验证极坐标变换法可以对发动机异响进行精确检测。(本文来源于《苏州大学》期刊2016-11-01）
宁大勇,弓永军,孙长乐,侯交义,张增猛[2]（2015）在《基于异响信号的发动机故障成分提取》一文中研究指出提出了基于异响信号的故障成分提取方法,以实现对发动机异响故障的在线诊断。该方法分别利用错位迭加法、互相关函数、迭加段起始位置搜寻方法来提取异响信号成份。首先,根据异响信号局部极值出现的位置确定异响信号产生的起始位置,并确定各截取信号段的长度;将各截取的信号段进行线性相加,实现故障成分的提取。然后,对信号的误差进行分析,提出误差的影响因素。最后,利用互相关性分析判断截取信号的准确性。实验结果表明:通过错位迭加算法提取的多段异响信号故障成分相关性达到75%以上,可以用于故障诊断。根据错位迭加算法提取异响信号故障成分无需进行时频转换,方法简单易行,提取的故障成分的波形准确性高。(本文来源于《2015光学精密工程论坛论文集》期刊2015-07-10）
韩芝侠[3]（2015）在《基于免疫进化网络的发动机异响信号故障诊断》一文中研究指出为解决发动机异响信号低信噪比和时域波形图对故障特征表现不直观的问题,提出了一种免疫进化网络的诊断算法。以信号频谱差异作为故障的特征信息,将异响信号通过小波包分解方法构建成抗原群体,利用免疫进化网络的训练和学习,取得了较好的识别效果,实现了发动机的异响诊断。应用结果表明,该免疫神经网络具有优越的识别性能,在识别一般抗原的基础上,还可以有效识别由于设备状态波动引起的特异抗原,为故障诊断提供了一种准确、有效的分析手段。(本文来源于《机械设计与制造》期刊2015年07期）
刘艳梅,程凯,鞠浩民,季有昌[4]（2009）在《发动机异响信号的小波包能量特征提取》一文中研究指出在机械故障诊断过程中,最关键的问题就是故障特征信号的特征提取,从某种意义上说,特征提取是当前机械故障诊断研究中的"瓶颈"问题。发动机是一种多振源、宽频带、振动形态复杂的机械,其振动信号呈现非平稳时变特征,噪声干扰大,故障信号往往被淹没在干扰噪声中。发动机声响的分析在其故障诊断中显得极为重要。现提出一种依靠小波包分析来进行发动机故障诊断的方法,即通过对发动机异响信号在全频带范围内进行正交小波包分解,得到由全频带均匀划分的各子频带的小波包分解系数,对小波包分解系数进行重构得到该频带的信号,提取各频带信号的能量构造出小波包特征向量,从而实现对故障源的判断。(本文来源于《机械制造与自动化》期刊2009年02期）
张喜忠[5]（2008）在《基于神经网络预测模型的发动机异响信号提取研究》一文中研究指出本文以发动机正常声响信号和异响为研究对象,提出了基于神经网络预测模型的信号增强的方法,成功地将淹没在发动机工作声响中的故障异响信号分离出来,丰富了发动机异响信号提取的新方法,拓宽了发动机故障诊断的应用范围。本文首先介绍了神经网络的基础知识和广泛的应用,为后面的神经网络模型的建立做了理论准备。然后针对发动机正常声响信号和杜芬方程生成的时间序列进行分析,通过计算Lyapunov指数来论证其满足混沌特性。其中研究了混沌理论和相空间重构理论。其次,系统地研究了径向基函数神经网络的结构、算法和特性,并采用相空间重构和径向基函数(RBF)神经网络相结合的方法对杜芬方程生成的时间序列和发动机正常声响信号建立预测模型,并在此基础上进行了故障异响信号的提取,达到了预期的目的。最后,研究了小波变换的消噪理论,并采用小波变换阈值法消噪的方法对提取出的故障异响信号进行消噪处理,使异响信号进一步增强,取得了满意的效果。(本文来源于《吉林大学》期刊2008-04-15）
李任江,曲东超,孙莹,李春梅[6]（2007）在《小波变换对汽车发动机异响信号的降噪处理方法》一文中研究指出采用小波变换软阈值去噪的方法,对汽车发动机异响的原始信号进行分解和降噪处理。结果表明,小波去噪的方法具有很好的效果,能够满足工程实际的需要,为进一步分析异响信号获得了噪声极小的有效数据。(本文来源于《长春工业大学学报(自然科学版)》期刊2007年02期）
孙宗新[7]（2007）在《基于混沌理论的发动机故障异响信号提取研究》一文中研究指出本文研究了发动机声响信号和异响信号的异同,分析了发动机声响信号的混沌特性,论证了基于发动机声响信号大背景噪声的弱异响信号提取的可行性,开辟了发动机异响信号提取的新思路。研究了具有预测、拟合混沌信号能力的非线性Volterra级数,及其时变加权系数的最小均方误差算法(LMS)和归一化最小均方误差算法(NLMS)的确定,应用NLMS规则建立了Volterra自适应滤波器模型。利用Lorenz理想混沌信号验证了模型的混沌信号预测、拟合能力,并应用到实测发动机声响信号中的异响信号提取试验中。研究了流形学习中局部切空间排列算法(LTSA)的降维去噪,并基于此思想结合Volterra自适应滤波器模型,利用奇异值分解法建立了基于Volterra自适应模型的局部切空间排列模型。同样,利用Lorenz理想混沌信号验证了模型的混沌信号预测、拟合能力,并应用到实测发动机声响信号的异响信号提取试验中。经过基于理想混沌信号Lorenz信号和实测发动机信号分别为背景信号的异响信号提取试验发现:在理想状态下,达到了异响信号与Lorenz信号为-79.0526db的低信噪比异响信号分离;在实测发动机信号的试验中也能将-36.7868db的信噪比中的弱异响信号提取出来,接近了人耳听觉盲区的-52.7044db信噪比异响信号提取。(本文来源于《吉林大学》期刊2007-05-01）
王哲[8]（2007）在《基于SVM的发动机故障异响信号提取研究》一文中研究指出基于工作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,具有判断故障快速准确、操作简便、自动化程度高的优点。本文以此为背景,研究了发动机故障异响信号的提取问题。具体工作概括如下:介绍了混沌的基本概念,混沌信号的主要特征,以及相空间重构的基本原理。利用GP算法和自相关法分别计算了相空间重构时需要的嵌入维数及时间延迟。通过计算最大李亚普诺夫指数,证实了发动机正常工作声响信号具有混沌特性,并给出了相应的仿真结果。基于统计学习理论和支持向量机的基本原理,以及最小二乘支持向量机的具体算法。分别对杜芬方程、洛伦兹方程以及实际的发动机正常工作声响信号进行了仿真实验,对叁种信号建立预测模型,并给出了相应的预测仿真结果。基于支持向量机预测模型及相空间重构理论,对发动机故障异响信号进行了提取。并分别以杜芬方程生成的混沌时间序列和发动机正常工作声响信号为背景噪声,进行了对故障异响信号提取的仿真实验,给出了具体结果,并对仿真结果进行了分析。(本文来源于《吉林大学》期刊2007-04-23）
刘帅师[9]（2006）在《基于发动机声响信号分析的转速估计及异响特征提取研究》一文中研究指出汽车发动机在正常工作时,由于燃料燃烧膨胀、废气排出时气流运动、运动部件之间相互冲击及电磁等作用,会发出很大的声响。当运动零部件严重磨损、配合间隙增大、零件松动、断裂损坏时,或者由于维修质量不好、装配调整不当等原因,在发动机工作声响中会伴随着产生各种异常的声响。因此发动机声响信号中蕴涵着丰富的发动机异常或故障状态信息。采用合适的方法对分离出的异响信号进行量化分析,提取其特征参数,是基于声响信号分析的发动机故障诊断研究的基础性工作,具有重要的意义。首先,考虑到发动机异响信号特征与发动机状态-主要是发动机转速密切相关,本文对基于声响信号分析的发动机转速估计方法进行了研究:通过在时域对发动机异响信号进行短时分析得到异响信号时域上的重要参数,由此来判断信号的性质,并重点介绍了两种时域基音周期估计的方法,在此基础上提出了基于声响信号的发动机转速估计方法。运用此方法可以通过分析所采集信号的基音周期直接估计发动机转速,并可通过建立基音周期与转速的函数关系来判断发动机转速是否正常;其次,采用线性预测分析方法对发动机异响信号进行了建模研究,分别利用杜宾算法和乔里斯基分解法提取异响信号的线性预测系数,通过分析比较得出各种线性预测算法的优劣。在此基础上,由线性预测系数导出了异响信号的其他特征参数,利用所得到的特征参数建立了异响信号的联合特征指标集即特征向量。为了简化后续故障模式匹配算法,兼顾故障诊断算法的分辨率及稳定性,采用主成分分析法对携带最大故障信息量的特征指标合成方法进行了研究。(本文来源于《吉林大学》期刊2006-05-01）
曹亚杰[10]（2005）在《发动机故障异响信号分离方法研究》一文中研究指出本文研究了短时谱估计对信号的消噪,其中主要包含谱减法和维纳滤波法,并且根据这两种算法的特点,将其应用到发动机故障声音信号的滤波中去,为以后发动机故障信号的特征提取提供了依据,并作为对机械故障的噪声分离方法的一个尝试。分析了小波变换的特点,研究了应用小波对信号降噪的方法,本文选择了基于阈值进行降噪的方法,并选取了合适的软阈值进行降噪。小波包分析则能够为信号提供一种更加精细的分析方法,它将频带进行多层次划分,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时频分辨率。本文应用小波包的这种性质对发动机的声音信号进行分解、重构,从而形成所需的子波信号。本文在发动机异响诊断的优化算法设计中应用遗传算法,通过确定编码方式、初始种群、选择方式、变异和交叉概率以及适应度函数,完成了遗传算法对发动机信号由小波包分解、重构所形成的子波信号的优化,从而分离出汽车发动机的异响信号。其中适应度函数的选择应用了人耳听觉的欧姆定律和谱相关的原理。在汽车发动机的故障异响的分离实验中应用这种算法,取得了良好的效果,使得在此基础上实行特征提取,建立故障模式,实现故障的自动识别成为可能。(本文来源于《吉林大学》期刊2005-05-01）
发动机异响信号论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出了基于异响信号的故障成分提取方法,以实现对发动机异响故障的在线诊断。该方法分别利用错位迭加法、互相关函数、迭加段起始位置搜寻方法来提取异响信号成份。首先,根据异响信号局部极值出现的位置确定异响信号产生的起始位置,并确定各截取信号段的长度;将各截取的信号段进行线性相加,实现故障成分的提取。然后,对信号的误差进行分析,提出误差的影响因素。最后,利用互相关性分析判断截取信号的准确性。实验结果表明:通过错位迭加算法提取的多段异响信号故障成分相关性达到75%以上,可以用于故障诊断。根据错位迭加算法提取异响信号故障成分无需进行时频转换,方法简单易行,提取的故障成分的波形准确性高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
发动机异响信号论文参考文献
[1].齐伟.基于声信号的汽车发动机机械异响故障诊断方法研究[D].苏州大学.2016
[2].宁大勇,弓永军,孙长乐,侯交义,张增猛.基于异响信号的发动机故障成分提取[C].2015光学精密工程论坛论文集.2015
[3].韩芝侠.基于免疫进化网络的发动机异响信号故障诊断[J].机械设计与制造.2015
[4].刘艳梅,程凯,鞠浩民,季有昌.发动机异响信号的小波包能量特征提取[J].机械制造与自动化.2009
[5].张喜忠.基于神经网络预测模型的发动机异响信号提取研究[D].吉林大学.2008
[6].李任江,曲东超,孙莹,李春梅.小波变换对汽车发动机异响信号的降噪处理方法[J].长春工业大学学报(自然科学版).2007
[7].孙宗新.基于混沌理论的发动机故障异响信号提取研究[D].吉林大学.2007
[8].王哲.基于SVM的发动机故障异响信号提取研究[D].吉林大学.2007
[9].刘帅师.基于发动机声响信号分析的转速估计及异响特征提取研究[D].吉林大学.2006
[10].曹亚杰.发动机故障异响信号分离方法研究[D].吉林大学.2005