本站小編為你精心準備了汽車發動機設備故障檢測參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《計算機仿真雜志》2014年第六期

1汽車高速發動機故障檢測原理

汽車高速發動機處在一個復雜的工作環境下，處在擾動環境中，汽車發動機故障節點檢測通過提取環境內異常變化的電流信號進行故障判斷的，往往采用多層結構，其檢測原理如下:es(t)用于描述發動機電流信號幅度降低后的電源電流，iL(t)用于描述非線性負載電流，TLFNN需要通過三層的前饋采集設備完成，參考輸入包括es(t)以及其在當前時刻之前其它時刻的值構成。但是，汽車高速發動機設備在發生故障過程中，一般會產生短時、瞬間電流異常，以此特征可作為設備發生對接故障的依據。傳統的故障檢測方法針對這種瞬間、小強度的電流特征，無法實時捕獲敏感的電流異常故障特征，導致傳統故障檢測方法對這種敏感度不高的故障特征檢測存在困難，漏檢率較高。

2發動機故障優化檢測過程

提出基于改進神經網絡的故障檢測方法，按照汽車發動機中電流峰值的波動狀態，可檢測汽車發動機中的故障節點，過程如下。

2．1采集過電流信號

發動機故障特征大多反應到電流信號上，假設汽車發動機檢測部件中存在k條信息鏈，第j條信息鏈采集的電流特征信號為dj，其中:通過式(12)獲取時期u中采集的電流特征信號在信息信道中的緩沖概率:式中，W表示信息信道緩沖范圍中保存的電流特征信號量，電流特征信號可反映汽車發動機的電力狀態，Mj(u)表示u時刻的電流特征參數，采用式(13)能夠獲取電流特征參數值:如果電流檢測過程中具有較大的差異，則不同發動機部件的特征參數會產生一定的干擾。通過上述分析的方法，通過汽車發動機中的電流監測部件，可得到汽車發動機中的電流特征參數，為工業企業汽車發動機故障設備檢測提供可靠的數據支持。

2．2非線性噪聲濾波去噪處理

采用上述分析的方法，可采集汽車發動機中的電流異常特征參數。因為采集電流特征參數時會受到時間間隔的影響，存在不同噪聲因素的不利影響，導致獲取的電流特征信號中包含較多的噪聲。通過非線性濾波方法能夠過濾其中的噪聲，增強數據的準確度，為汽車發動機中故障檢測提供更為可靠的數據。非線性濾波方法對所有的電流特征參數進行劃分，將其轉換成6種不同的數據類型，再采用非線性濾波方法對不同的數據類型進行操作，確保冗余數據量的最低化。假設對電流信號進行監測的次數為n，塑造的電流特征參數監測矩陣為:最終完成對電流特征信號中的噪聲的過濾操作，為汽車發動機中的故障節點的檢測提供可靠的依據。

2．3電力特征參數離散化處理

對汽車高速發動機中的電流特征參數進行離散化操作，能夠得到發動機的異常系數，對比分析汽車發動機正常的負載系數評估規范，可以對汽車發動機中的故障進行準確檢測。按照上述分析方法可得電流特征參數為ηjk，假設{J1，J2，…，Jp}用于描述電流特征信號原始空間數據集，則采用式(23)可以獲取鄰居區域的相關性系數:式中，λ表示故障設備負載系數閥值，分析式(25)可得，如果發動機設備負載系數高于設備惡性負載閥值，則說明汽車發動機中包含故障設備，否則說明大型設備中不包含故障設備。

3實驗結果

采用實驗驗證本文方法的有效性，分別采用傳統的檢測法以及本文方法對汽車發動機中的故障節點進行檢測。從監測數據中任意采集電流特征參數，傳統方法采用BP神經網絡，對比分析相關的檢測結果，獲取的詳細結果用圖2描述。圖2描述了10次實驗數據結果，分析可得，采用本文方法檢測汽車發動機中的故障準確率高于傳統算法，說明本文算法具有較高的優越性。統計分析上述實驗結果，得到的數據用表1描述。分析表1中的數據可得，汽車發動機中的故障節點功率較低時，采用本文算法進行汽車發動機中故障設備檢測，具有較高的檢測準確率，降低了檢測誤差，取得了令人滿意的效果。

4結束語

本文提出基于改進神經網絡的故障檢測方法，依據高速發動機設備中的電流異常特征參數，采用神經網絡的自適應性能獲取電流的異常波動周期情況，把這種異常的電流信號當成一種特殊噪聲，使用非線性濾波方法過濾電力特征參數中的其它噪聲，對電流特征參數進行離散化操作運算系數，分析該系數同電氣設備故障系數閥值間的關系，對高速發動機氣路故障進行準確檢測。實驗結果說明，該種算法提高了故障檢測的準確率。

作者：于江蛟單位：長春理工大學光電信息學院