汽车发动机瞬时转速测量中的噪声分析及补偿方法

对汽车发动机的瞬时转速信号中的量测噪声进行补偿。试验测量结果表明,由飞轮齿圈的齿形误差引起的噪声是瞬时转速信号中的主要噪声源。并且该噪声的幅值与发动机的平均转速成正比。由于这种噪声的频带与飞轮瞬时转速信号物频带可能重叠,因此采用传统的滤波等方法无法完全肖除齿形误差引起的噪声,提出采用２个传感器的补偿新方法,可将齿形误差引起的噪声从瞬时转速信号中消除,试验结果验证了该方法的可行性,训利用瞬时转速检测     

发动机瞬时转速测量误差的研究

通过使用发动机分析仪并采用不同的方法,对发动机瞬时转速进行测量,分析由于转速信号采集频率低,发动机稳定运 转时,所测转速精度能够满足工作要求,而在发动机加、减速运转时,发动机转速有较大的波动,造成转速误差较大。     

变转速液压系统瞬时转速测量与误差分析

为实时监测柱塞马达的运行状态,准确测量瞬时转速,结合基于工控机与数据采集卡的瞬时转速测量原理与算法,讨论了数据量化误差的主要来源、影响机理以及处理方法,利用LabVIEW与Matlab混合编程的方法,设计了变转速液压系统柱塞马达瞬时转速的测量系统,通过实验验证了测速系统的可行性.仿真与实验结果表明,采样频率对马达转速测量具有重要影响.提高采样频率可以减小数据量化误差、提高测量精度.     

非平稳信号瞬时特征提取的谐波小波方法

分析了非平稳信号的瞬时特征(瞬时频率和瞬时相位),对非平稳信号进行谐波小波变换,建立非平稳信号的谐波小波系数与该信号的瞬时特征之间的关系,提出非平稳信号瞬时特征提取的谐波小波模型和提取方法.通过算例中的线性调频信号和应用实例中的轴承座振动信号的验证表明,该模型与方法具有较好的抗噪能力,对非平稳信号的瞬时特征具有更高的分析精度,能实现非平稳信号中特殊成分的瞬时特征提取.该方法能通过傅里叶变换实现其快速算法,具有算法简单、快速的特点,实现非平稳信号瞬时特征的实时分析.     

基于nRF2401的汽车发动机转速遥测系统

介绍一种基于nRF2401的汽车发动机转速遥测系统。采用外夹式传感器采集汽车发动机转速信息，进行整形，通过nRF2401进行数据传输，接收后利用单片机AT89C2051进行频率变换并驱动液晶显示结果。由于nRF2401具有高传输速率，因此最终实现了汽车发动机的转速遥测。     

汽车发动机各缸工作不均匀性的一种在线监测方法

提出一种利用瞬时转速信号在线监测汽车发动机各缸工作不均匀性和失火故障的方法,通过建立多缸发动机的非线性动力学模型。揭示了瞬时转速与气体力扭矩及各缸气体压力之间的本质联系,在此基础上直接定义了2种衡量各缸不均匀性的无量纲特征参数,给出了这些参数的快速提取算法和故障判断方法,实验研究结果表明,该方法有效可行,能满足在线分析的要求,从而为汽车发动机的性能监测、诊断与控制提供了一条可行的途径。     

内燃机瞬时转速测试系统开发

瞬时转速测量的主要误差为晶振脉冲计数误差和转角计量误差。转角计量误差包括角标器分离误差，曲轴扭振产生的误差。论文对瞬时转速的滤波方法进行了分析，认为FIR低通滤波器对高频干扰有抑制作用，对低频干扰信号抑制作用较差，不适于瞬时转速信号滤波。切比雪夫与巴特沃思滤波器对低频干扰信号的抑制效果更好，推荐采用6阶巴特沃思低通滤波器对瞬时转速信号滤波。     

基于改进同步挤压小波变换识别信号瞬时频率

提出了改进同步挤压小波变换。首先,采用解析模态分解定理将非平稳响应信号分解为多个单分量信号;其次,通过频率转换将分解后的单分量信号从低频区域转换到高频区域以提高时间分辨率;然后,对频率重点关注区域的时频代表值进行局部挤压,提高时频曲线的频率精度;最后,通过两个数值算例和一个拉索试验验证了改进同步挤压小波变换方法的有效性和准确性。研究结果表明,改进同步挤压小波变换能够提高信号在特定区域内的瞬时频率识别精度,是一种可行的时变结构参数识别方法。     

发动机特征振动信号的测试及小波分析

采用BSWA VS302 USB便携式双声道声学振动分析仪对DA462型发动机进行振动试验,试验时分别模拟气门间隙正常与故障状况,采集不同转速时不同气门间隙下发动机表面的振动信号.用db4小波对这些振动信号进行分解,重点分析了发动机排气门落座的冲击信号即D3层信号.分析结果表明：db4小波适合于发动机振动信号分析;发动机气门间隙的变化会引起振动能量的变化,气门落座冲击产生的能量占总能量的比例也会发生很大变化.根据测量不同转速时的能量分布结果和能量比数值,可以判断出当前气门间隙的工作状态,实现发动机在不解体情况下的状态检测.     

Ignition Pattern Analysis for Automotive Engine Trouble Diagnosis Using Wavelet Packet Transform and Support Vector Machines

Engine spark ignition is an important source for diagnosis of engine faults.Based on the waveform of the ignition pattern,a mechanic can guess what may be the potential malfunctioning parts of an engine with his/her experience and handbooks.However,this manual diagnostic method is imprecise because many spark ignition patterns are very similar.Therefore,a diagnosis needs many trials to identify the malfunctioning parts.Meanwhile the mechanic needs to disassemble and assemble the engine parts for verification.To tackle this problem,an intelligent diagnosis system was established based on ignition patterns.First,the captured patterns were normalized and compressed.Then wavelet packet transform(WPT) was employed to extract the representative features of the ignition patterns.Finally,a classification system was constructed by using multi-class support vector machines(SVM) and the extracted features.The classification system can intelligently classify the most likely engine fault so as to reduce the number of diagnosis trials.Experimental results show that SVM produces higher diagnosis accuracy than the traditional multilayer feedforward neural network.This is the first trial on the combination of WPT and SVM to analyze ignition patterns and diagnose automotive engines.     

小波分析在发动机失火监测中的应用

针对现时发动机失火监测方法的不足,研究了利用小波分析方法进行失火监测.对某发动机缸盖振动加速度信号作频谱分析,可知单缸失火状态的0.5和1谐次振动幅值与正常状态相比有显著增长.采集发动机稳速工况下失火故障瞬间前后一段时间的振动信号,利用小波分析方法,对其进行多尺度近似分解,获得低频逼近信号.由于失火引起低阶次振动幅值变化,观测获得的低频逼近信号的振动幅值波动,可明显分辨出故障发生的时间,再进行加速和减速工况分析.结果同样表明,通过小波变换分析方法,能有效监测发动机失火发生的时间.     

小波分析在信号处理中的应用

在信号奇异点检测中,首先对信号进行多尺度小波分解。然后对高频部分进行重构,确定模极大值点位置,从而确定出奇异点位置。在例子中检测含有故障信息的电压信号,结果表明信号分解的细节部分均能清晰地显示出奇异点的准确位置。在信号消噪中,首先将信号进行多尺度小波分析。然后通过设置阈值的方法对高频子带进行处理,接着进行重构。在例子中对染噪的电压信号进行消噪处理,结果表明阈值的选取直接关系到消噪的质量。     

小波理论在植物根系图像边缘检测中的应用

在植物根系的研究中,所提取出的植物根系图像往往噪声较大,而采用传统的图像边缘检测方法检测出来的边缘信息都无法达到令人满意的效果。针对这一问题,本文基于小波理论的知识,提出了运用小波多尺度变换检测植物根系图像边缘的方法。利用一个平滑函数,在不同的尺度下平滑所要检测的图像信号,根据平滑后信号小波变换系数模的一阶或二阶导数找出信号的突变点也即边缘点。一阶导数的极值点对应二阶导数的零交叉点和平滑后信号的拐点。因此可由小波变换模局部极大值检测图像边缘。     

傅里叶变换与小波分析的对比研究

小波是近十几年才发展起来并迅速应用到图像处理和语音分析等众多领域的一种数学工具,是继110多年前的傅立叶(Joseph Fourier)分析之后的一个重大突破,无论是对古老的自然学科还是对新兴的高新技术应用学科都产生了强烈冲击。本文先简单回顾傅里叶变换讨论其优缺点,然后讨论如何克服其缺点和引入窗口傅里叶变换,继而引入小波的基本概念,重点探讨在大多数情况下小波变换优于傅里叶变换的内在原因。     

基于小波包变换的梁体损伤识别

由于小波包变换在分析非平稳信号方面较傅立叶变换更为有效，提出了基于小波包变换的能量变化率指标进行损伤识别的方法。首先，将得到的结构响应信号进行小波包分解，然后通过小波包能量变化率指标来进行损伤定位。通过3种不同损伤工况的梁体室内试验证明．损伤指标可以准确地识别损伤位置。     

小波包络分析在滚动轴承诊断中的应用

针对传统包络解调分析方法需要人为选定共振频带的缺陷,提出了基于高斯函数的小波包络解调分析方法。该方法能将各共振响应频带的调制频率提取出来。进一步采用包络谱熵选择最优尺度来监测滚动轴承缺陷的发生和发展过程。经实例验证,该方法能准确地检测出滚动轴承外圈、内圈及滚珠的局部缺陷。     

多尺度小波在图像测量中的应用

在图像测量中,图像的边缘检测是关键。基于信号和噪声在不同尺度下小波系数模值的变化特征,利用小波变换系数模的局部极大值提取图像的边缘。在对前、后孔配准图像的测量中,能够降低噪声,并能比较精确的得到图像的边缘。