韓 博

(1.蘭州大學(xué) 信息科學(xué)與工程學(xué)院電路與系統(tǒng)研究所，蘭州 730000； 2.69019部隊(duì)，烏魯木齊 830017)

?

● 車(chē)輛工程 Vehicle Engineering

基于HHT和神經(jīng)網(wǎng)絡(luò)的汽車(chē)發(fā)動(dòng)機(jī)故障診斷

韓 博1,2

(1.蘭州大學(xué) 信息科學(xué)與工程學(xué)院電路與系統(tǒng)研究所，蘭州 730000； 2.69019部隊(duì)，烏魯木齊 830017)

針對(duì)基于汽車(chē)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)處理的故障診斷問(wèn)題，首先，利用截?cái)嗑仃嚻娈愔捣纸夥椒▽?duì)采集信號(hào)進(jìn)行降噪預(yù)處理，以獲取較為純凈的振動(dòng)信號(hào)；然后，通過(guò)希爾伯特-黃變換(HHT)信號(hào)處理理論對(duì)采集信號(hào)進(jìn)行分解與時(shí)頻分析，提取出分量信號(hào)能量特征與邊際譜區(qū)域變化特征兩種參數(shù)作為汽車(chē)發(fā)動(dòng)機(jī)故障診斷與識(shí)別的依據(jù)，并對(duì)比分析不同故障狀態(tài)下的特征融和結(jié)果；最后，使用徑向基(RBF)神經(jīng)網(wǎng)絡(luò)對(duì)故障樣本特征進(jìn)行訓(xùn)練，并進(jìn)行多種實(shí)測(cè)故障數(shù)據(jù)的訓(xùn)練與識(shí)別。實(shí)際故障數(shù)據(jù)處理結(jié)果表明，上述特征參數(shù)可有效表征故障信號(hào)的時(shí)頻域變化特點(diǎn)，可以作為汽車(chē)發(fā)動(dòng)機(jī)故障的診斷依據(jù)。

故障診斷；汽車(chē)發(fā)動(dòng)機(jī)；希爾伯特-黃變換；RBF神經(jīng)網(wǎng)絡(luò)

汽車(chē)發(fā)動(dòng)機(jī)在運(yùn)行時(shí)產(chǎn)生的振動(dòng)信號(hào)包含重要的故障信息特征，可以反映出發(fā)動(dòng)機(jī)內(nèi)在各部件的健康狀態(tài)。通過(guò)采集與處理汽車(chē)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)來(lái)進(jìn)行故障診斷或預(yù)測(cè)是一種常用的方法。傳統(tǒng)的發(fā)動(dòng)機(jī)振動(dòng)信號(hào)分析方法是基于傅里葉變換的頻域分析方法。由于發(fā)動(dòng)機(jī)振動(dòng)信號(hào)是一種非平穩(wěn)帶噪信號(hào)，傅里葉變換僅適用平穩(wěn)信號(hào)的分析與處理；因此，基于傅里葉變換的算法僅能對(duì)振動(dòng)信號(hào)作近似處理，限制了故障特征分析的精度與準(zhǔn)確性。

希爾伯特-黃變換(hilbert-huang transform, HHT)信號(hào)處理理論是由美籍華人Norden E.Huang于1998年創(chuàng)立。該理論通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)實(shí)現(xiàn)信號(hào)的自適應(yīng)分解處理，可以精確地分析信號(hào)在時(shí)頻域的變化特征，在非平穩(wěn)信號(hào)處理方面取得了良好的應(yīng)用效果。王醇濤等[1]利用HHT邊際譜實(shí)現(xiàn)了柴油機(jī)故障診斷，但沒(méi)有考慮邊際譜變化的區(qū)域性特征，僅利用了譜峰值作為特征參數(shù)；宋越等[2]利用HHT對(duì)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)進(jìn)行處理，成功實(shí)現(xiàn)了發(fā)動(dòng)機(jī)氣門(mén)間隙故障的診斷，但沒(méi)有考慮振動(dòng)信號(hào)采集中的噪聲對(duì)HHT算法處理的影響。

本文依據(jù)汽車(chē)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)的加性噪聲模型，使用奇異值分解方法實(shí)現(xiàn)了振動(dòng)采集信號(hào)的降噪預(yù)處理，有效提高了振動(dòng)信號(hào)的信噪比。之后通過(guò)HHT處理方法對(duì)汽車(chē)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)進(jìn)行處理分析，依據(jù)故障信號(hào)的實(shí)際變化特性，提取出了分量信號(hào)能量特征與邊際譜區(qū)域變化特征兩種參數(shù)，并分析不同故障狀態(tài)下的特征融和結(jié)果。最后使用徑向基(radial basis function, RBF)神經(jīng)網(wǎng)絡(luò)對(duì)故障樣本特征進(jìn)行訓(xùn)練，并進(jìn)行了多種實(shí)測(cè)故障數(shù)據(jù)識(shí)別，驗(yàn)證了本文提出算法的有效性。

1 振動(dòng)信號(hào)降噪預(yù)處理

汽車(chē)發(fā)動(dòng)機(jī)工作環(huán)境復(fù)雜，且由于發(fā)動(dòng)機(jī)內(nèi)部產(chǎn)生的各種激勵(lì)信號(hào)經(jīng)過(guò)傳遞或耦合都導(dǎo)致發(fā)動(dòng)機(jī)表面的振動(dòng)產(chǎn)生，因此在振動(dòng)測(cè)量與采集過(guò)程中將產(chǎn)生大量的噪聲信號(hào)，降低了故障特征分析與參數(shù)提取的準(zhǔn)確性。汽車(chē)發(fā)動(dòng)機(jī)振動(dòng)采集信號(hào)x(k)可表示為

x(k)=s(k)+e(k)

(1)

將采集到的汽車(chē)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)序列X=(x(1),x(2)，…，x(N)),利用每n點(diǎn)振動(dòng)信號(hào)組成矩陣數(shù)據(jù)行，可構(gòu)成m行n列截?cái)嗑仃囆问降恼駝?dòng)信號(hào)矩陣(N≥mn)A：

(2)

利用奇異值分解算法(SVD)可得

(3)

式中：U為m×m階酉矩陣，U=[u1，u2，…，um]；S=[diag(σ1，σ2，…，σr):O]，σ1≥σ2≥…≥σr≥0為振動(dòng)信號(hào)矩陣A的奇異值序列，其中r=min(m,n)，O為全零矩陣；V為n×n階酉矩陣，V=[v1，v2，…,vn]。

由奇異值分解理論可知，U與V為正交矩陣，即ui與vi各自?xún)蓛烧?。因此通過(guò)奇異值分解，原振動(dòng)信號(hào)序列X被分解為r個(gè)相互正交的分量信號(hào)Xi:

(4)

文獻(xiàn)[3]研究表明，截?cái)嗑仃嚻娈愔捣纸饩哂幸欢ǖ钠娈愔的芰烤奂匦?。因此通過(guò)比較相鄰奇異值之間變化幅度大小，即可準(zhǔn)確估計(jì)出振動(dòng)信號(hào)子空間維數(shù)值。定義Q(i)為振動(dòng)信號(hào)矩陣的相鄰奇異值變化量，即

Q(i)=σi/σi+1i=1,2,…,r-1

(5)

(6)

若得到振動(dòng)信號(hào)子空間維數(shù)I的估計(jì)值，即可得抑制噪聲后的發(fā)動(dòng)機(jī)振動(dòng)信號(hào)分量S與噪聲分量E分別為

(7)

2 基于HHT的特征參數(shù)提取

HHT由一個(gè)獨(dú)特的角度對(duì)信號(hào)成分的構(gòu)成進(jìn)行解釋?zhuān)瑥幕A(chǔ)理論上突破了傅里葉變換處理的限制。其核心算法是利用EMD獲取構(gòu)成信號(hào)的本征模態(tài)函數(shù)(intrinsic mode function, IMF)，從而實(shí)現(xiàn)對(duì)非平穩(wěn)信號(hào)較為精確的時(shí)頻分析。

2.1 故障信號(hào)EMD算法原理

實(shí)現(xiàn)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)HHT，須先將振動(dòng)信號(hào)進(jìn)行EMD，以獲取一系列瞬時(shí)頻率有物理意義的單分量子信號(hào)即IMF，以令該分量信號(hào)保持瞬時(shí)頻率隨時(shí)間變化的單值性，從而進(jìn)行Hilbert變換實(shí)現(xiàn)信號(hào)瞬時(shí)性質(zhì)分析[4]。其中，IMF必須滿(mǎn)足以下兩個(gè)條件：一是IMF的所有極值點(diǎn)與過(guò)零點(diǎn)數(shù)量須相同或最多相差一點(diǎn)；二是IMF的上下包絡(luò)關(guān)于時(shí)間軸對(duì)稱(chēng)。EMD過(guò)程簡(jiǎn)述如下：

(1)計(jì)算原信號(hào)序列的極值點(diǎn)，利用三次樣條插值函數(shù)將所有極大值與極小值點(diǎn)進(jìn)行包絡(luò)，分別形成x(k)上下包絡(luò)線(xiàn)；

(2)得到上下包絡(luò)線(xiàn)的平均值m1，計(jì)算得到h1=x(k)-m1；

(3)驗(yàn)證h1是否滿(mǎn)足IMF兩個(gè)條件，若滿(mǎn)足，則h1即為第一個(gè)IMF；否則將h1作為新的信號(hào)序列重復(fù)(1)(2)計(jì)算步驟，直到抽取的結(jié)果滿(mǎn)足IMF兩個(gè)條件為止，最終得到IMF信號(hào)c1；

(4)計(jì)算抽取IMF后的剩余信號(hào)：r1=x(k)-c1，然后以r1作為新的原始信號(hào)重復(fù)步驟(1)—(3)，獲取下一個(gè)IMF信號(hào)c2，重復(fù)n次，直到rn滿(mǎn)足給定的終止條件(通常使rn為一單調(diào)函數(shù))時(shí)，循環(huán)結(jié)束。此時(shí)原始信號(hào)x(k)可表示為

(8)

由此可知，EMD即是以時(shí)間特征尺度逐步將信號(hào)的局部模態(tài)分離，將復(fù)雜的非平穩(wěn)信號(hào)分解為一系列單分量信號(hào)的和。而每個(gè)IMF信號(hào)都反映出不同的信號(hào)成分，表示信號(hào)的內(nèi)在模態(tài)特征，同時(shí)可能顯示出頻率成分來(lái)源，方便對(duì)故障原因進(jìn)行分析。相比于傅里葉變換，EMD無(wú)固定基函數(shù)，因此具有自適應(yīng)分解特性[5]。以汽車(chē)發(fā)動(dòng)機(jī)內(nèi)環(huán)故障振動(dòng)信號(hào)為例進(jìn)行EMD得到12個(gè)IMF信號(hào)分量，結(jié)果如圖1所示。

圖1 汽車(chē)發(fā)動(dòng)機(jī)內(nèi)環(huán)故障振動(dòng)信號(hào)EMD結(jié)果

2.2 故障信號(hào)的HHT時(shí)頻分析

通過(guò)EMD分解得到一系列IMF信號(hào)分量，若對(duì)每個(gè)IMF分量進(jìn)行Hilbert變換可得到具有實(shí)際意義的瞬時(shí)頻率和瞬時(shí)幅值。將所有IMF分量的Hilbert變換結(jié)果進(jìn)行組合可得到信號(hào)的HHT時(shí)頻譜 ，包含了信號(hào)的瞬時(shí)頻率、時(shí)間與能量的變化情況。圖2所示為汽車(chē)發(fā)動(dòng)機(jī)內(nèi)環(huán)故障振動(dòng)信號(hào)的HHT時(shí)頻譜。由時(shí)頻譜可以清晰地看出故障信號(hào)的頻率變化軌跡，以及信號(hào)能量在不同頻率范圍內(nèi)的變化形態(tài)。故障信號(hào)的瞬時(shí)頻率源于故障因素造成的頻率發(fā)生源，因此由HHT時(shí)頻譜即可得到準(zhǔn)確的瞬時(shí)頻率變化形態(tài)，并可據(jù)此分析故障源。

圖2 汽車(chē)發(fā)動(dòng)機(jī)內(nèi)環(huán)故障振動(dòng)信號(hào)HHT時(shí)頻譜

2.3 故障信號(hào)特征提取

由EMD分解原理可知，IMF分量信號(hào)是按從高頻到低頻的順序依次排列，且其信號(hào)能量亦依次衰減。IMF分量信號(hào)表征了故障信號(hào)在不同尺度下分解的能量特征，是信號(hào)固有的內(nèi)在模態(tài)性質(zhì)，因此可以作為故障源的特征參數(shù)。令Ei表示第i個(gè)IMF分量信號(hào)ci的歸一化能量(以原信號(hào)能量作為歸一化標(biāo)準(zhǔn))，可得到d維IMF分量信號(hào)能量特征參數(shù)[E1，E2，…，Ed],d

(9)

此外，若對(duì)故障信號(hào)的HHT時(shí)頻譜數(shù)據(jù)在信號(hào)時(shí)間T內(nèi)進(jìn)行積分求和，可得到信號(hào)邊際譜h(w)：

(10)

圖3所示為汽車(chē)內(nèi)環(huán)故障信號(hào)的邊際譜，表征了故障源生成信號(hào)的能量在不同瞬時(shí)頻率上的累積量大小，可以作為表征故障性質(zhì)的特征參數(shù)。由邊際譜圖可知，其能量分布的主要頻率范圍為0～500 Hz，剩余頻率處能量較小，無(wú)明顯變化，可等同為噪聲信號(hào)處理。

圖3 汽車(chē)內(nèi)環(huán)故障信號(hào)邊際譜

為準(zhǔn)確提取故障信號(hào)的邊際譜區(qū)域變化特征，首先對(duì)能量變化的主要區(qū)間即0～500 Hz區(qū)域進(jìn)行頻率區(qū)間量化。即令每20 Hz為一個(gè)完整的能量分析區(qū)域，將能量變化區(qū)間量化分隔為等頻率間距的區(qū)域，因此可以獲取25個(gè)能量分析區(qū)域，并按頻率由低至高順序依次排列。然后，對(duì)第i個(gè)分析區(qū)域內(nèi)的邊際譜能量求和得到該區(qū)域能量參數(shù)hi，并以0～500 Hz區(qū)域的邊際譜能量總和h0作為標(biāo)準(zhǔn)進(jìn)行特征尺度歸一化，得到該區(qū)域的特征參數(shù)Hi即

Hi=hi/h0

(11)

3 基于RBF神經(jīng)網(wǎng)絡(luò)的故障診斷

RBF神經(jīng)網(wǎng)絡(luò)能夠逼近任意的非線(xiàn)性函數(shù)，而且克服了BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢、存在局部極小值的缺點(diǎn)，具有良好的泛化能力，并有很快的學(xué)習(xí)收斂速度，已成功應(yīng)用于非線(xiàn)性函數(shù)逼近、時(shí)間序列分析、數(shù)據(jù)分類(lèi)、模式識(shí)別、系統(tǒng)建模和故障診斷等領(lǐng)域[6-7]。故本文采用RBF神經(jīng)網(wǎng)絡(luò)來(lái)驗(yàn)證上述故障信號(hào)特征的有效性。

圖4所示，RBF網(wǎng)絡(luò)是一個(gè)三層的網(wǎng)絡(luò)，除了輸入輸出層之外僅有一個(gè)隱含層。輸入層節(jié)點(diǎn)負(fù)責(zé)傳遞信號(hào)參量至隱含層；隱層中的轉(zhuǎn)換函數(shù)一般是局部響應(yīng)的高斯函數(shù)；而輸出層節(jié)點(diǎn)通常是簡(jiǎn)單的線(xiàn)性函數(shù)，負(fù)責(zé)判斷結(jié)果的輸出。其中，RBF神經(jīng)網(wǎng)絡(luò)的輸入層到隱含層實(shí)現(xiàn)輸入?yún)⒘康姆蔷€(xiàn)性映射，第i個(gè)隱含層節(jié)點(diǎn)的高斯響應(yīng)函數(shù)一般?。?/p>

(12)

式中：ui為第i個(gè)隱含層節(jié)點(diǎn)的輸出；X=[x1,x2，…，xM]為輸入層信號(hào)參數(shù)；σi為第i個(gè)隱含層節(jié)點(diǎn)的標(biāo)準(zhǔn)化常數(shù)。

圖4 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在驗(yàn)證所提取的故障特征參數(shù)時(shí)，首先，將各種故障樣本信號(hào)經(jīng)上述算法處理得到一系列故障特征參數(shù)，并構(gòu)成多組各種故障狀態(tài)下的特征向量作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸入；然后，利用這些特征向量訓(xùn)練得到RBF神經(jīng)網(wǎng)絡(luò)參數(shù)；最后，即可對(duì)測(cè)試樣本進(jìn)行故障特征提取并輸入該網(wǎng)絡(luò)進(jìn)行故障診斷。

4 仿真分析

首先，利用上述奇異值分解降噪算法對(duì)采集的汽車(chē)發(fā)動(dòng)機(jī)故障振動(dòng)信號(hào)進(jìn)行降噪處理，并驗(yàn)證分析處理結(jié)果。其中，振動(dòng)采集信號(hào)的采樣頻率為4 000 Hz，采集時(shí)間長(zhǎng)度為0.25 s。圖5所示為帶噪振動(dòng)信號(hào)的降噪后效果。由仿真結(jié)果可以看出，原始振動(dòng)信號(hào)在采集過(guò)程中受到了一定的噪聲污染，若將此原始帶噪信號(hào)直接進(jìn)行故障特征提取，勢(shì)必影響特征參數(shù)的提取精度。經(jīng)過(guò)本文降噪算法的處理，去除了大部分的噪聲信號(hào)，振動(dòng)信號(hào)的時(shí)域波形更加清晰，提升了采集信號(hào)的信噪比，為進(jìn)一步準(zhǔn)確診斷故障提供了良好條件。

(a)原始信號(hào)

(b)降噪信號(hào)圖5 振動(dòng)信號(hào)降噪效果

利用某型汽車(chē)發(fā)動(dòng)機(jī)的兩種故障樣本信號(hào)進(jìn)行特征提取分析。故障樣本分別為該型汽車(chē)發(fā)動(dòng)機(jī)軸承內(nèi)環(huán)故障和外圈故障信號(hào)。圖6(a)為內(nèi)環(huán)故障信號(hào)邊際譜，容易看出在0～500 Hz頻率范圍內(nèi)，故障頻率特征明顯存在，生成了較多的頻率峰值，包含了較豐富的故障特征信息。圖7(a)為外圈故障信號(hào)邊際譜，其在0～500 Hz頻率范圍內(nèi)的頻率變化較為平緩，且無(wú)明顯頻率峰值，故障能量積累不明顯，與內(nèi)環(huán)故障信號(hào)邊際譜有著明顯的區(qū)別性特征。圖6(b)與圖7(b)分別為內(nèi)環(huán)故障信號(hào)與外圈故障信號(hào)特征參數(shù)提取結(jié)果，其中1至25維特征參數(shù)即為邊際譜區(qū)域變化特征，26至30維特征為IMF分量信號(hào)能量特征參數(shù)。對(duì)比可以看出，兩種特征參數(shù)形成的向量在幅值上有著較大的區(qū)別，即兩種故障信號(hào)在頻率域的特征有著本質(zhì)區(qū)別，且IMF分量信號(hào)能量亦不相同。因此，本文所提取的邊際譜區(qū)域變化特征與IMF分量信號(hào)能量特征兩種參數(shù)可以有效區(qū)分該兩種故障信號(hào)。

(a)邊際譜

(b)特征參數(shù)圖6 內(nèi)環(huán)故障信號(hào)邊際譜與特征參數(shù)

(a)邊際譜

(b)特征參數(shù)圖7 外圈故障信號(hào)邊際譜與特征參數(shù)

為驗(yàn)證上述特征提取算法對(duì)于汽車(chē)發(fā)動(dòng)機(jī)故障診斷的有效性，利用RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練故障樣本特征數(shù)據(jù)，并對(duì)故障信號(hào)進(jìn)行識(shí)別率計(jì)算。樣本數(shù)據(jù)集包含4種工況下的汽車(chē)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)，即內(nèi)環(huán)故障信號(hào)、外圈故障信號(hào)、滾動(dòng)體故障信號(hào)及正常發(fā)動(dòng)機(jī)信號(hào)，且每種故障的樣本數(shù)據(jù)量為44組。實(shí)驗(yàn)過(guò)程中，利用每種故障樣本的前32組數(shù)據(jù)共計(jì)128組作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，每種故障樣本的剩余12組數(shù)據(jù)共計(jì)48組作為識(shí)別樣本進(jìn)行有效性驗(yàn)證。其中，RBF神經(jīng)網(wǎng)絡(luò)的輸入為30維的特征參數(shù)，隱含層為1層，輸出為單輸出，分別用1、2、3、4代表滾動(dòng)體故障、內(nèi)環(huán)故障、外圈故障、正常4種判別結(jié)果。在訓(xùn)練過(guò)程中設(shè)定目標(biāo)誤差為0.001。

圖8所示為RBF神經(jīng)網(wǎng)絡(luò)在訓(xùn)練故障樣本特征數(shù)據(jù)時(shí)的誤差變化曲線(xiàn)，經(jīng)過(guò)128次迭代訓(xùn)練，該網(wǎng)絡(luò)成功收斂到設(shè)定的目標(biāo)誤差，完成了訓(xùn)練過(guò)程。表1為RBF神經(jīng)網(wǎng)絡(luò)故障診斷測(cè)試結(jié)果。由表1可知，識(shí)別樣本數(shù)量為48，正確識(shí)別的樣本個(gè)數(shù)為46，故系統(tǒng)正確識(shí)別率為95.83%，亦驗(yàn)證了上述算法所提取特征參數(shù)的有效性。

圖8 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差變化曲線(xiàn)

表1 RBF神經(jīng)網(wǎng)絡(luò)故障診斷測(cè)試結(jié)果

5 結(jié) 語(yǔ)

為解決基于汽車(chē)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)處理的故障診斷問(wèn)題，首先，構(gòu)造了所采集振動(dòng)信號(hào)的截?cái)嗑仃嚕闷娈愔捣纸鈱?shí)現(xiàn)了振動(dòng)信號(hào)的降噪預(yù)處理，實(shí)際數(shù)據(jù)處理結(jié)果表明該方法可以有效降低采集中所受到的噪聲影響；然后，利用HHT方法提取了汽車(chē)發(fā)動(dòng)機(jī)振動(dòng)信號(hào)的IMF分量信號(hào)能量特征與邊際譜區(qū)域變化特征兩種參數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，并利用故障樣本對(duì)該網(wǎng)絡(luò)實(shí)現(xiàn)訓(xùn)練與識(shí)別。實(shí)驗(yàn)結(jié)果表明，上述特征參數(shù)可以有效表征故障信號(hào)的時(shí)頻域變化特點(diǎn)，可以作為汽車(chē)發(fā)動(dòng)機(jī)故障的診斷依據(jù)。

[1] 王醇濤,陸金銘.運(yùn)用HHT邊際譜的柴油機(jī)故障診斷[J].振動(dòng)、測(cè)試與診斷,2010(8):465-468.

[2] 宋越,孫濤,賈然,等.基于Hilbert-Huang變換的發(fā)動(dòng)機(jī)氣門(mén)間隙故障診斷研究[J].組合機(jī)床與自動(dòng)化加工技術(shù),2016(1):74-77.

[3] 趙學(xué)智,葉邦彥,陳統(tǒng)堅(jiān).矩陣構(gòu)造對(duì)奇異值分解信號(hào)處理結(jié)果的影響[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2008,36(9):86-91.

[4] SHILPA R, PRABHU S S, PUTTASWAMY P S. Power quality disturbances monitoring using Hilbert-Huang transform and SVM classifier[C]// International Conference on Emerging Research in Electronics, Computer Science and Technology, IEEE, 2015.

[5] HAMDAD N, HAMMOUCHE K. Hilbert Huang Transform and pattern recognition to detect defects in induction motor[C]// International Conference on Electrical Engineering，IEEE, 2015.

[6] KONDAIAH V V, RAO J S, RAO V V S. Estimation of loss factor and system parameters of active magnetic thrust bearing using RBF neural networks and differential evolution[C]// IEEE Workshop on Computational Intelligence: Theories, Applications and Future Directions. IEEE, 2015.

[7] VERMA R N, JAIN K, RIZVI M A. Efficient face recognition method using RBF kernel and genetic algorithm[C]// International Conference on Computer, Communication and Control，IEEE, 2015.

(編輯：張峰)

Automobile Engine Fault Diagnosis Based on HHT and Neural Network

HAN Bo1,2

(1.Information Science and Engineering Institute of Circuits and Systems, Lanzhou University, Lanzhou 730000, China; 2.Unit 69019, Urumqi 830017, China)

To solve the fault diagnosis problem of automobile engine based on vibration signal processing, the paper firstly pretreats noise reduction of collected signal with truncated singular value decomposition method to obtain purer vibration signal. Then, it conducts decomposition and time frequency analysis on collected signal with signal processing theory of HHT (Hilbert-Huang transform) and extracts component signals and marginal spectrum region characteristics as the basis of fault diagnosis and identification of automobile engine, and makes comparative analysis on feature fusion result in different fault conditions. Finally, it trains fault samples with RBF (radial basis function) neural network and carries out training and recognition of many kinds of fault data. The actual fault data processing result shows that the characteristic parameters can effectively represents the time-frequency domain variation characteristics of fault signal, which can be used as the basis for the fault diagnosis of automobile engine.

fault diagnosis; automobile engine; Hilbert-Huang transform; RBF neural network

2016-11-10；

2016-12-20．

韓 博(1978—)，男，碩士，工程師．

10．16807/j.cnki.12-1372/e.2017.03.012

U464

A

1674-2192(2017)03- 0047- 06