壓縮包內(nèi)含有CAD圖紙和說明書,均可直接下載獲得文件，所見所得，電腦查看更方便。Q 197216396 或 11970985

機(jī)電工程學(xué)院 畢業(yè)設(shè)計(jì)外文資料翻譯 設(shè)計(jì)題目: GD1091型商用車驅(qū)動(dòng)橋、后懸架設(shè)計(jì) 譯文題目: 基于小波變換和支持向量機(jī)的 發(fā)動(dòng)機(jī)故障診斷點(diǎn)火波形分析 學(xué)生姓名： 學(xué) 號(hào)： 專業(yè)班級(jí)： 指導(dǎo)教師： 正文：外文資料譯文 附 件：外文資料原文 指導(dǎo)教師評(píng)語： 簽名： 年 月 日 正文：外文資料譯文 文獻(xiàn)出處：中國機(jī)械工程雜志，2011（5） 基于小波變換和支持向量機(jī)的發(fā)動(dòng)機(jī)故障診斷點(diǎn)火波形分析 VONG Chi-man1，WONG Pak-kin2，TAM Lap-mou2，張?jiān)谟? 1.中國澳門大學(xué) 科學(xué)與技術(shù)學(xué)院 計(jì)算機(jī)與信息科學(xué)系 2.中國澳門大學(xué) 科學(xué)與技術(shù)學(xué)院 機(jī)電工程系 摘要：發(fā)動(dòng)機(jī)點(diǎn)火的火花是發(fā)動(dòng)機(jī)故障診斷的一個(gè)重要依據(jù)?；邳c(diǎn)火模式的波形，機(jī)器能夠根據(jù)自己的準(zhǔn)則猜出猜出是那個(gè)部件存在潛在的故障。但是，由于很多點(diǎn)火模式是十分相似的，所以這個(gè)準(zhǔn)則的診斷方法是不夠準(zhǔn)確的。因此，故障的診斷要求大量的試驗(yàn)才能夠確定故障的零部件。此外，機(jī)械師們還需要拆卸和組裝發(fā)動(dòng)機(jī)的相應(yīng)部件進(jìn)行驗(yàn)證。為解決這樣的問題，點(diǎn)火模式就成為一個(gè)智能診斷系統(tǒng)建立的基礎(chǔ)。首先，拍攝模式是以歸一化和壓縮為目的的。其次，小波包變換（WPT）是來提取點(diǎn)火當(dāng)中的典型特征模式。最后，利用多類支持向量機(jī)建一個(gè)分類系統(tǒng)（SVM）來提取相應(yīng)的特征。分類系統(tǒng)會(huì)智能地把最有可能發(fā)生的發(fā)動(dòng)機(jī)故障檢測出來從而減少診斷試驗(yàn)的次數(shù)。實(shí)驗(yàn)的結(jié)果表明，SVM的診斷結(jié)果比傳統(tǒng)多層前饋神經(jīng)網(wǎng)絡(luò)的精度要高很多。這是第一次實(shí)驗(yàn)將WPT和SVM相結(jié)合去分析、診斷汽車發(fā)動(dòng)機(jī)的點(diǎn)火模式。 關(guān)鍵詞：汽車發(fā)動(dòng)機(jī)；點(diǎn)火模式診斷；模式分類；小波變換；支持向量機(jī) 1引言 汽車發(fā)動(dòng)機(jī)的點(diǎn)火系統(tǒng)建立的基礎(chǔ)不同，但基本操作是相似的。所有點(diǎn)火系統(tǒng)的次級(jí)電路中的火花都是由初級(jí)電路引起的，而且火花必須在正確的時(shí)間點(diǎn)上交付給火花塞。示波器和范圍表是用來對點(diǎn)火系統(tǒng)進(jìn)行分析的。范圍模式顯示點(diǎn)火系統(tǒng)故障并且?guī)椭业较鄳?yīng)的原因。范圍表可以測出或?qū)捇蛘幕鸹ㄩg隙，并且打開火花塞的電纜從而短路點(diǎn)火線圈，范圍表還能夠檢測到發(fā)動(dòng)機(jī)射擊電壓。而就是需要的火花塞電壓。這些情況都可以改變火花線持續(xù)的時(shí)間或火花線的斜率。范圍表通過幾種模式通?？梢燥@示點(diǎn)火系統(tǒng)和發(fā)動(dòng)機(jī)問題的原因?；军c(diǎn)火模式和每個(gè)模式表示的意義對于檢測發(fā)動(dòng)機(jī)點(diǎn)火問題是十分重要的。圖1展示了電子點(diǎn)火系統(tǒng)中發(fā)動(dòng)機(jī)的循環(huán)和其相應(yīng)的發(fā)動(dòng)機(jī)故障的一下例子。 當(dāng)使用范圍表對發(fā)動(dòng)機(jī)故障進(jìn)行診斷時(shí)，捕獲的點(diǎn)火信號(hào)需要技師指示起點(diǎn)和終點(diǎn)的信號(hào)。然后，技師們把這些信號(hào)與信號(hào)手冊中的進(jìn)行對比分析。根據(jù)分析診斷，將發(fā)動(dòng)機(jī)的相應(yīng)部位進(jìn)行拆開。然而，這種人工診斷可能是不準(zhǔn)確的，因?yàn)樵S多信號(hào)模式是十分相似的。除此之外，不同（甚至是相同的）發(fā)動(dòng)機(jī)的故障同樣產(chǎn)生很多不同形狀的點(diǎn)火模式。因此，點(diǎn)火模式是沒有標(biāo)準(zhǔn)的幅度以及持續(xù)時(shí)間。很明顯，比較信號(hào)的相同或是不同僅僅是靠技師們的個(gè)人經(jīng)驗(yàn)，這是一個(gè)相當(dāng)困難的任務(wù)。為了基于點(diǎn)火模式找出故障，幾個(gè)試驗(yàn)（拆卸和組裝發(fā)動(dòng)機(jī)零部件）是必要的，但這需要投入大量的時(shí)間和精力。為了解決這個(gè)問題，機(jī)械師必須掌握一種以計(jì)算機(jī)為基礎(chǔ)的模式分類系統(tǒng)。 火花塞積碳 時(shí)間/毫秒 失火由于極其稀薄的混合物文本框 時(shí)間/毫秒 狹窄的火花塞間隙文本框 時(shí)間/毫秒 發(fā)動(dòng)機(jī)異響 時(shí)間/毫秒 時(shí)間/毫秒 濃混合氣 圖 1 電子點(diǎn)火的點(diǎn)火模式示例和相應(yīng)的發(fā)動(dòng)機(jī)故障 當(dāng)前， 幾乎沒有基于計(jì)算機(jī)點(diǎn)火方式來分析汽車發(fā)動(dòng)機(jī)故障與診斷的文獻(xiàn)。其主要原因由一下幾點(diǎn)： （1）點(diǎn)火模式是時(shí)刻變化和非固定的。不同發(fā)動(dòng)機(jī)模型產(chǎn)生的點(diǎn)火模式的振幅和持續(xù)時(shí)間是不同的。即便是相同的發(fā)動(dòng)機(jī)，在不同的運(yùn)行狀況下也就產(chǎn)生不同的模式。這進(jìn)一步增加人為診斷的困難程度。 （2）不同發(fā)動(dòng)機(jī)故障的點(diǎn)火模式十分相似。從人為的角度來看是很難正確區(qū)別各種模式，尤其是當(dāng)捕獲的范圍表是根據(jù)失真的噪聲的時(shí)候。為了解決這些問題，小波包變換（WPT）作為一種特征提取方法被提出來，用來檢索點(diǎn)火頻率的顯著特征模式。以這些提取的特征為基礎(chǔ)，建模點(diǎn)火模式分類便成為一種可能。一個(gè)大約120毫秒的周期對發(fā)動(dòng)機(jī)來講是很典型的。因此，汽車儀表通常會(huì)設(shè)置頻率為100千赫的采樣率用來捕捉發(fā)動(dòng)機(jī)每個(gè)循環(huán)點(diǎn)火方式和怠速試驗(yàn)條件下的頻率采樣率，這是一種很常見的情況，但是數(shù)量的采集量是巨大的。例如：800轉(zhuǎn)/分鐘怠速，100 kHz的采樣率和四沖程發(fā)動(dòng)機(jī)循環(huán)，每個(gè)樣本模式會(huì)產(chǎn)生15000個(gè)數(shù)據(jù)點(diǎn)。對所有的數(shù)據(jù)點(diǎn)進(jìn)行特征提取和分類是不明智的，但是其中最重要的數(shù)據(jù)點(diǎn)應(yīng)被選中。因此，其中的功能程序的提取和壓縮就是必須要做的，它可以利用小波包進(jìn)行壓縮。 在分類和建模的技術(shù)上，多層前饋神經(jīng)網(wǎng)絡(luò)（MFN）和高斯過程分類通常使用處理信號(hào)模式來識(shí)別。然而，這些兩種方法有幾個(gè)缺點(diǎn)。對于MFN來講，首先其結(jié)果不一定是我們所期待的最好的網(wǎng)絡(luò)結(jié)構(gòu)。其次，培訓(xùn)過程（即，殘差的平方誤差成本最小化函數(shù)）通道很容易地被卡住，并且局部極小，重量衰減。但是這些方法很大程度上影響了估計(jì)函數(shù)。 高斯過程分類過程中，數(shù)據(jù)會(huì)被假定是正態(tài)分布的。雖然分布信號(hào)可以被轉(zhuǎn)化近似值，但這種轉(zhuǎn)化常常是不精確的。除此之外，高斯過程需要很長的訓(xùn)練時(shí)間。最新的研究結(jié)果表明支持向量機(jī)（SVM）比MFN更具有準(zhǔn)確性。與高斯過程分類相比較，SVM更適合于高維數(shù)據(jù)集。因此在這項(xiàng)研究中支持向量機(jī)是用來構(gòu)建一種基于計(jì)算機(jī)的模式分類。在以上提到的應(yīng)用技術(shù)當(dāng)中，利用點(diǎn)火方式來分析汽車發(fā)動(dòng)機(jī)故障是一種全新的實(shí)驗(yàn)。 本文的結(jié)構(gòu)如下：第2和第3部分講解以上不同的技術(shù)。第4部分展示基于計(jì)算機(jī)的結(jié)果分類點(diǎn)火模式。第5和第6部分列舉分析實(shí)驗(yàn)裝置和結(jié)果。第7部分是對以上做的總結(jié)。 2小波包變換 2.1 離散小波變換(DWT) 在許多工程信號(hào)分析當(dāng)中已經(jīng)證實(shí)離散小波變換有非常有效的應(yīng)用。DWT的主要 優(yōu)點(diǎn)是它構(gòu)建了一個(gè)不同的支持（窗口大?。?，即擴(kuò)張（寬）的低頻和夏普（窄）高頻。這樣以來，高頻率的信號(hào)便需要更詳細(xì)的頻域分析。在另一方面，該信號(hào)的低頻還要進(jìn)行時(shí)域分析。這樣以來就建立了最優(yōu)時(shí)頻分辨率的范圍。 一般地，在小波變換中，信號(hào)x?[N]由兩個(gè)數(shù)字濾波器進(jìn)行分解和迭代。然后通過過濾器2向下采樣。第一過濾器G?[?]是由一個(gè)高通濾波器和離散小波母函數(shù)組成，用來提取高頻率信號(hào)。第二個(gè)過濾器H?[?]是一個(gè)低通濾波器，主要對低頻率進(jìn)行提取。利用同樣的過濾過程進(jìn)行持續(xù)逼近Aj產(chǎn)生Dj+1和Aj+1直到終止條件。 所有的載重可以由一個(gè)低通濾波器H指定，符合標(biāo)準(zhǔn)的正交鏡像濾波器的條件是： 上式中H（z）是指Z變換中的H過濾器，然而互補(bǔ)的高通濾波器被定義為： 隨著長度的增加過濾器（按J）可以得出，J?=?0到n–1： 與初始狀態(tài)H 0（Z）=1。濾波器被作為時(shí)域上的雙尺度時(shí)間關(guān)系而表達(dá)出來。 上式中 [?]↑m表示m和k具有同樣采樣的離散時(shí)間。該歸一化的小波和尺度基函數(shù)φI，L（K），ψI，L（K） 可以被定義如下： 上式中2I/ 2的因子?是內(nèi)積正?；?、i為尺度參數(shù)、l為平移參數(shù)、DWT的分解可以根據(jù)信號(hào)x（k）描述如下： 上式中，A（i）(l)（升）和D（i）(l)是近的系數(shù)，在i的分辨率分別為細(xì)節(jié)系數(shù). 2.2小波包變換（WPT） 小波包變換（WPT）概括了小波分解，并且提供了更豐富的信號(hào)分析。濾波器中的信號(hào)的由DWT分解，但只分解低 頻帶，其右葉代表 較低頻帶，其左葉代表了較高的頻帶。再由對應(yīng)的WPT進(jìn)行分解 ，這種分解形成一種平衡二叉樹結(jié)構(gòu)。 圖3正是這種結(jié)果的表示。 因此，WPT是DWT 的延伸， WPT的優(yōu)點(diǎn)是信號(hào)可以分解為組頻率子帶，并且其上熵也可以測量。熵是描述給定的信息的相關(guān)屬性 ，是描述非平穩(wěn)信號(hào)最理想的工具。根據(jù)測得的熵的每個(gè)子帶和一個(gè)給定的最適合的分解，信號(hào)可以便可以被選擇了。 圖2 WPT的三個(gè)層次分解 WPT中使用的熵類型通常是以下中的一個(gè)： 基準(zhǔn)：E(S) = Σ |Si|p, p≥1; 登入能源：E(S) =Σ log (Si2); E(S) = n – #{ i such that | Si |δε} + Σ min(Si2, ε 2). 上式中：S是測量到的信號(hào)、Si 是信號(hào)的第i個(gè)小波系數(shù)，n為信號(hào)的長度，ε是由公式計(jì)算的臨界值：[2ln(n log2(n))]1/2。有了基于熵的標(biāo)準(zhǔn)之后，小波分解就可以自動(dòng)計(jì)算了。 2.3壓縮 正如上文所提到的，一個(gè)采樣點(diǎn)所捕獲的圖案數(shù)量是十分巨大的，因此它需要很長的時(shí)間來訓(xùn)練，測試此種點(diǎn)火模式。點(diǎn)火模式會(huì)在特種提取前被壓縮為預(yù)處理步驟。 考慮信號(hào)S= F（X）， 它可以再次被分解： 由于給定的信號(hào)的頻率分布不一定總是偶數(shù)，這些個(gè)小波包基的重量會(huì)有明顯的改變。因此，有可能放棄低重量的包基，并選擇高重量的人，用來分解給定的信號(hào)。這一過程就是所謂的最優(yōu)小波包基的選擇。從信息處理角度來說，這一選擇便是實(shí)際數(shù)據(jù)壓縮的過程。 2.4特征提取 經(jīng)過小波包壓縮、變換，便可以進(jìn)行特征提取了。特征提取是目的。通常的特征矢量是 該模式減少之后的表示，從而降低建模的復(fù)雜性和計(jì)算量。 通過WPT一組2L的 的信號(hào)子帶可以得到的，L是WPT分解的水平。 3多類支持向量機(jī) 3.1支持向量機(jī)的兩類問題 當(dāng)前支持向量機(jī)是一個(gè)眾所周知的計(jì)算機(jī)學(xué)習(xí)工具。它被廣泛應(yīng)用到處理范圍廣泛的工程問題當(dāng)中。SVM的主要思想是通過技巧映射，使非線性的例子能更精確地分類。給定一組訓(xùn)練 模式{xi，yi}，其中i = 1，2，“l(fā).yi∈{+1，-1}、 xi∈ Rd。在此應(yīng)用中，xi為捕獲的點(diǎn)火模式示波表，而yi是與標(biāo)簽相關(guān)聯(lián)的每個(gè)圖案表示的類中的一個(gè)。從超平面可以發(fā)現(xiàn)，當(dāng)利潤率是最大時(shí)候而不是解決這問題，其對偶問題可以更容易解決。 , 在方程（12），α我和αj是的拉格朗日乘數(shù)，獲得最高利潤率的原始優(yōu)化， C則是一個(gè)正則化的參數(shù)，K是一個(gè)計(jì)算在更高維的內(nèi)積 空間的內(nèi)核函數(shù) 。這個(gè)內(nèi)核函數(shù)應(yīng)該滿足Mercer的 定理。在此應(yīng)用中，在徑向函數(shù)的基礎(chǔ)上（RBF） 內(nèi)核被使用： 其中γ∈R是一個(gè)超參數(shù)。 根據(jù)二元分類器的輸出，然后計(jì)算： 其中Ns是發(fā)現(xiàn)結(jié)果支持向量的數(shù)量優(yōu)化問題，xi支持向量和b在訓(xùn)練階段的臨界參數(shù)進(jìn)行更新。基于 SGN函數(shù)，已知 z后便可以直接計(jì)算 F（Z）。 3.2 SVM多類策略 多類SVM考慮的是多類問題的二元分類收集。有兩種主流方法，k個(gè)不同的分類器可以構(gòu)建對于k類。第k個(gè)分類器構(gòu)造一個(gè)該類之間的超平面。其中每個(gè)超平面把它本身從其他類中分離出來。應(yīng)當(dāng)指出的是，即使在數(shù)目很小??的情況下支持向量機(jī)也成倍增加。然而，在目前的研究中采用一對一的策略是因?yàn)樗臏?zhǔn)確性可以得到保證。 ?4 項(xiàng)目建設(shè)的點(diǎn)火模式分類 ?本部分介紹總體建設(shè)思路與智能點(diǎn)火方式的分類。圖3所表示的是四個(gè)分類系統(tǒng)的階段。第一階段是訓(xùn)練數(shù)據(jù)，即數(shù)據(jù)點(diǎn)以及它們對應(yīng)的發(fā)動(dòng)機(jī)故障。在每個(gè)階段的具體操作下提出的以下階段，訓(xùn)練數(shù)據(jù)采集的案例研究在第5部分中再進(jìn)行描述。 SVM MFN 萃取 壓縮 正常 提取 分類 壓縮信號(hào) 火花點(diǎn)火 圖3 智能點(diǎn)火的四個(gè)階段智能點(diǎn)火 4.1標(biāo)準(zhǔn)化 點(diǎn)火模式能夠在汽車儀表范圍即高采樣頻率（100千赫）內(nèi)被捕獲。 然而，由于發(fā)動(dòng)機(jī)轉(zhuǎn)速 、波動(dòng)、各種測試條件的不同，所以每個(gè)采樣點(diǎn)捕獲的數(shù)目、圖案是不完全相同的。在目前的研究中，所有模式設(shè)置的標(biāo)準(zhǔn)長度為18000，然而為了節(jié)約，實(shí)際采樣點(diǎn)信號(hào)小于17000。因此超過18 000附加了一系列的穩(wěn)態(tài)值 直至達(dá)到最大數(shù)量（圖4）。因?yàn)樽畲笥|發(fā)電壓通常不超過15 kV因此所有圖案的幅度也歸在[0， 15]。 正常化 數(shù)據(jù)點(diǎn)度N 數(shù)據(jù)點(diǎn)度N 圖4 采樣的規(guī)范化 4.2壓縮 信號(hào)的采樣點(diǎn)的數(shù)量等于輸入的支持向量機(jī)號(hào)碼。目前用于個(gè)人電腦（如MATLAB），SVM的訓(xùn)練，甚至運(yùn)行，18 000數(shù)量 是太大了。通常情況下可以操縱的矩陣的最大尺寸 為3000X3000。因此，18000的輸入量 必須降低到小于3000。因此壓縮率便成為一個(gè)關(guān)鍵因素。高的壓縮 率會(huì)導(dǎo)致信息丟失，而低壓縮 幅度不能滿足要求。方程小波能量比例如下所示： 上式中,i是在第j級(jí)子帶的第i個(gè)點(diǎn)的值，N表示原始信號(hào)。pj是第j子帶的小波能量比例。3級(jí)壓縮信號(hào)被壓縮成18 000 / 23= 2 250 ，它可由共同執(zhí)行的工具電腦處理。通常情況下，需要執(zhí)行以下步驟： （ 1 ）獲取信號(hào)的小波包變換分解。水平小波的選擇是留給用戶自行調(diào)整的。一般地，一個(gè)更深層次的分解電平可以被選擇，以產(chǎn)生完備的小波樹。 （ 2 ）使用上面提到的bestlevt功能將最優(yōu)小波包分解。 （ 3 ）臨界值被施加到每個(gè)細(xì)節(jié)的系數(shù)D（i）逼近系數(shù)A（ i）。 （ 4 ）重構(gòu)的基礎(chǔ)上，近似的信號(hào)系數(shù)A （ i）和臨界值處理細(xì)節(jié)系數(shù)D（ i）來自步驟（3） 。 4.3特征提取 正如前面提到的第1 ，點(diǎn)火模式是隨時(shí)間變化的和非固定的，也就是說，每一個(gè)發(fā)動(dòng)機(jī)（在相同或不同的型號(hào)）可產(chǎn)生的點(diǎn)火模式不同的長度和幅度。要構(gòu)建分類系統(tǒng)與這些隨時(shí)間變化的模式，也可能是不適宜直接比較的點(diǎn)火模式。代替的點(diǎn)火模式的重要特征可以是考慮用于比較。 WPT提供了一個(gè)工具來分解和提取的高頻和低頻點(diǎn)火模式子帶。這些提取的頻率子帶（功能）被認(rèn)為是作為訓(xùn)練數(shù)據(jù)。 4.4建模 最后，建模技術(shù)是用來構(gòu)建分類歸化和預(yù)處理的訓(xùn)練數(shù)據(jù)的。在未來，當(dāng)一個(gè)新的數(shù)據(jù)到達(dá)時(shí)，它需要經(jīng)歷前面的步驟：歸化、壓縮、并在提取前分類。? 5實(shí)驗(yàn)裝置? 5.1數(shù)據(jù)收集 為了檢驗(yàn)所提出方法的有效性，實(shí)驗(yàn)成立了樣本數(shù)據(jù)采集和評(píng)估測試等步驟。不同型號(hào)的發(fā)動(dòng)機(jī)被用來模仿反射眾所周知故障癥狀點(diǎn)火模式如表1所示。 表1 由點(diǎn)火模式反映發(fā)動(dòng)機(jī)故障樣本可能原因 序號(hào) 癥狀或可能的原因 1 2 3 4 5 6 7 8 正常 火花塞電纜高阻 火花塞電纜壞掉 火花塞有缺陷 狹窄的火花塞間隙 失火由于極其稀薄的混合物而失火 火花塞由積碳 發(fā)動(dòng)機(jī)爆震，由于積碳燃燒室 這九個(gè)故障被選定為示范實(shí)例。在這個(gè)案例中，使用三個(gè)著名的直列4缸4沖程發(fā)動(dòng)機(jī)，即本田B18C、本田B16A和三菱4G15 ，用來模仿九種不同的故障現(xiàn)象。實(shí)驗(yàn)裝置怎樣捕獲點(diǎn)火如圖5所示。 圖5 使用計(jì)算機(jī)相連的汽車范圍計(jì)從發(fā)動(dòng)機(jī)收集的點(diǎn)火模式 要想捕獲點(diǎn)火模式，必須把采樣范圍頻率設(shè)定更高的速度，例如100千赫，即每秒可得到100 000個(gè)采樣點(diǎn)。對于每個(gè)測試引擎的癥狀，根據(jù)三種不同發(fā)動(dòng)機(jī)的試驗(yàn)條件可以捕獲的點(diǎn)火模式與標(biāo)準(zhǔn)現(xiàn)象對比。選擇兩個(gè)每缸的模式是因?yàn)榘l(fā)動(dòng)機(jī)的轉(zhuǎn)速為在測試過程中難以保持恒定，并且每個(gè)氣缸都有其不同的制造誤差。因此，點(diǎn)火方式捕獲的可能對于相同的測試條件下是可重復(fù)。所以，整個(gè)數(shù)據(jù)集部門分為訓(xùn)練數(shù)據(jù)集（3/ 4 DS ）和測試數(shù)據(jù)集（DS的1/4 ）培訓(xùn)和驗(yàn)證的SVM分類器。在這種研究中，點(diǎn)火模式的總數(shù)為等于9個(gè)癥狀× （2型態(tài)×4缸× 3/4） ×3條件× 3引擎= 486 ，而測試包含162patterns （即9癥狀× （ 2 ×模式4缸× 1/4 ） ×條件3 × 3的引擎） 。? 5.2 數(shù)據(jù)歸一化和預(yù)處理 首先，標(biāo)準(zhǔn)號(hào)為18 000的設(shè)置能覆蓋所有的模式。此外，一些穩(wěn)態(tài)值也被附加到圖案的一部分。通常情況下，穩(wěn)態(tài)值的點(diǎn)火模式等于零（0 V） 。因此，這個(gè)過程相當(dāng)于零附加，直到達(dá)到了18 000個(gè)采樣點(diǎn)數(shù)量。為了減少訓(xùn)練和測試的時(shí)間，訓(xùn)練和測試?yán)肳PT被壓縮成1/8倍（ 2 250分）。通常情況下，母小波選擇基于試驗(yàn)和錯(cuò)誤之上。在目前的研究中，母小波選定為哈爾 WPT再次被用來對壓縮模式進(jìn)行特征提取。在小波變換中， DBN，（其中N =1?10）使用最廣泛。我們嘗試了電平L= 2，3，和4是最好的。根據(jù)本試驗(yàn)結(jié)果顯示，最佳組合為DB6和3級(jí)。所有的模式仍然是相同的，即2250，不同之處在于壓縮模式可以被轉(zhuǎn)換成特征矢量。最后，將處理后的數(shù)據(jù)集和測試傳遞到支持向量機(jī)進(jìn)行測試。? 5.3 SVM訓(xùn)練 使用 MATLAB工具箱中的LIBSVM構(gòu)造SVM分類器。所用到的內(nèi)核函數(shù)KSVM為RBF核。此外，由方程（12）和（ 14 ）可知，用戶必須調(diào)整參數(shù)（ γ ， C） ，以確保更好的執(zhí)行。在這種情況下， 10 倍交叉驗(yàn)證往往適用于選擇超參數(shù)的最佳值。在我們所列舉的例子中，我們假設(shè)γ的值取自-10? 10 （除0之外 ），假設(shè)C的值是從??1到10 000內(nèi)的10 的10倍數(shù)（即， 1 ， 10 ， 100 ， 1 ??000，10 000 ） 。通過測試所有組合中的（ （ γ ，C ） ） 可以得到結(jié)論：最佳組合精度為（1 ，100）。??? 5.4 MFN培訓(xùn) MFN分類器在MATALB神經(jīng)實(shí)施網(wǎng)絡(luò)工具箱中在這個(gè)案例中，MFN有2 250個(gè)輸入神經(jīng)元和 4個(gè)輸出神經(jīng)元（即4位九類） 以及25個(gè)隱藏的神經(jīng)元。一般情況下，將學(xué)習(xí)率為設(shè)定為0.1時(shí)，25個(gè)隱藏的神經(jīng)元就能夠提供充足能力接近一個(gè)高度非線性的函數(shù)。隱藏使用的激活函數(shù)的神經(jīng)元一部分是傳遞函數(shù)，另一部分是濾波器的輸出神經(jīng)元。 6 結(jié)果 分類器支持向量機(jī)和MFN這兩中方法分別為在酷睿2雙核E6700的處理器和2 GB RAM的PC機(jī)下運(yùn)行。用于精度的測量便于評(píng)價(jià)分類器。? 6.1評(píng)價(jià) 支持向量機(jī)分類器的性能能夠通過分類精度來體現(xiàn)。評(píng)價(jià)分類精度十分簡單，因?yàn)樵u(píng)估只是計(jì)算出輸入矢量x和比較其定目標(biāo)類。但由于N個(gè)案例測試組同時(shí)測試，每個(gè)測試?yán)覶I ∈測試， i = 1到N，傳遞到支持向量機(jī)的分類器。如果計(jì)算出的類Ti不等于其給定的目標(biāo)類，將相應(yīng)的誤差Ei的設(shè)置為1，泛指EI為0 。最后，錯(cuò)誤Ei的總和就是通過測試用例的總數(shù)N，它的補(bǔ)分給出了準(zhǔn)確的計(jì)算公式，如下： 6.2 SVM的結(jié)果 以上實(shí)驗(yàn)中，（ γ ，C）的最佳組合是結(jié)果為（1 ，100）。訓(xùn)練SVM需要的時(shí)間0.064 8秒。其精度比測試結(jié)果是95.68 ％ ?；煜仃嚨拿總€(gè)類別??在表2中顯示，其中只有7 162信號(hào)分為錯(cuò)誤類和無用的標(biāo)識(shí)。該結(jié)果顯示了從WPT方法點(diǎn)火模式中提取重要特征的有效性和可靠性。此外，支持向量機(jī)也能具有了良好的分類準(zhǔn)確度。? 6.3 MFN結(jié)果 MFN模型中使用了相同的測試數(shù)據(jù)進(jìn)行測試。表2顯示MFN模型中的混淆矩陣。表3顯示了SVM和MFN的比較。在MFN模型中， MFN模型的精度是89.51 ％，SVM模型的精度低于95.68 ％。此外，在超參數(shù)和訓(xùn)練時(shí)間方面也進(jìn)行了比較。在MFN中，學(xué)習(xí)率并須隱含神經(jīng)元的數(shù)目才能被提供于用戶。它們都能夠使用10倍進(jìn)行選擇交叉驗(yàn)證，表3還表明，支持向量機(jī)的運(yùn)行比MFN由更快的速。 表2 混淆矩陣的SVM分類表 9X18 實(shí)際結(jié)果 預(yù)測結(jié)果 9X18 實(shí)際結(jié)果 預(yù)測結(jié)果 表3 混淆矩陣的MFN分類 7結(jié)論 ?在智能點(diǎn)火識(shí)別模式的基礎(chǔ)上，小波包變換和支持向量機(jī)已成功應(yīng)用于汽車發(fā)動(dòng)機(jī)故障診斷。這是第一次試圖在汽車應(yīng)用此種方法。 （1）經(jīng)過上文的實(shí)驗(yàn)已經(jīng)證明 WPT是一種有效的用于數(shù)據(jù)壓縮和從發(fā)動(dòng)機(jī)的特征提取點(diǎn)火模式的工具。在自動(dòng)確定最佳的效用的小波系數(shù)樹中也體現(xiàn)出了WPT的作用。 （2）支持向量機(jī)在產(chǎn)生一個(gè)可靠分類系統(tǒng)中已被應(yīng)用，這種方式可節(jié)省大量的時(shí)間、精力，用于讀取點(diǎn)火圖案以及故障的診斷。 （3）在本研究中，實(shí)驗(yàn)結(jié)果表明支持向量機(jī)生產(chǎn)的95.68 ％的分類精度。并且支持向量機(jī)的訓(xùn)練時(shí)間也只需要0.064 8秒。即支持向量機(jī)的精度、時(shí)間均優(yōu)秀于MFN。 （4）如需進(jìn)一步的發(fā)展，應(yīng)該從不同型號(hào)的發(fā)動(dòng)機(jī)的不同故障中被捕獲，以提供一個(gè)更廣泛的訓(xùn)練數(shù)據(jù)，以使分類器可以是比較一般化。 參考文獻(xiàn)： [1] CROUSE W H, ANGLIN D L.汽車學(xué)第10版，麥格勞教育出版社，1993 年。 [2] LIU C C, CHU J. 汽車電腦控制發(fā)動(dòng)機(jī)的分析與檢測技術(shù)。 [3] MALLAT S. 信號(hào)處理第3版。科學(xué)出版社，2008 。 [4] KOHONEN T BARNA G CHRISLEY R.統(tǒng)計(jì)模式，美國圣地亞哥，1998. [5] VONG C M ，汽油發(fā)動(dòng)機(jī)的現(xiàn)代建模方法。浙江大學(xué)學(xué)報(bào)，2005， [6] UYAR M, YILDIRIM S, GENCOGLU M T 基于小波變換的特征提取方法擾動(dòng)信號(hào)的研究。電力系統(tǒng)研究，2008年。 [7] MATLAB R2008a版本小波工具箱[ CP] 。 MathWorks公司，2008 。 [8] CRISTIANINI N, SHAWE-TAYLOR J.支持向量機(jī)，劍橋大學(xué)出版社， 2000 。 [9] HORNG M H. 多類支持向量機(jī)的研究超聲圖像分類，2009。 [10] 劉剛吉，故障的診斷方法中國機(jī)械工程學(xué)報(bào)，2007 附 件：外文資料原文 28