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
機電工程學(xué)院
畢業(yè)設(shè)計外文資料翻譯
設(shè)計題目: GD1091型商用車驅(qū)動橋、后懸架設(shè)計
譯文題目: 基于小波變換和支持向量機的
發(fā)動機故障診斷點火波形分析
學(xué)生姓名：
學(xué) 號：
專業(yè)班級：
指導(dǎo)教師：
正文：外文資料譯文 附 件：外文資料原文
指導(dǎo)教師評語：
簽名： 年 月 日
正文：外文資料譯文
文獻出處：中國機械工程雜志，2011（5）
基于小波變換和支持向量機的發(fā)動機故障診斷點火波形分析
VONG Chi-man1，WONG Pak-kin2，TAM Lap-mou2，張在勇2
1.中國澳門大學(xué) 科學(xué)與技術(shù)學(xué)院 計算機與信息科學(xué)系
2.中國澳門大學(xué) 科學(xué)與技術(shù)學(xué)院 機電工程系
摘要：發(fā)動機點火的火花是發(fā)動機故障診斷的一個重要依據(jù)?；邳c火模式的波形，機器能夠根據(jù)自己的準則猜出猜出是那個部件存在潛在的故障。但是，由于很多點火模式是十分相似的，所以這個準則的診斷方法是不夠準確的。因此，故障的診斷要求大量的試驗才能夠確定故障的零部件。此外，機械師們還需要拆卸和組裝發(fā)動機的相應(yīng)部件進行驗證。為解決這樣的問題，點火模式就成為一個智能診斷系統(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）是來提取點火當中的典型特征模式。最后，利用多類支持向量機建一個分類系統(tǒng)（SVM）來提取相應(yīng)的特征。分類系統(tǒng)會智能地把最有可能發(fā)生的發(fā)動機故障檢測出來從而減少診斷試驗的次數(shù)。實驗的結(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。這是第一次實驗將WPT和SVM相結(jié)合去分析、診斷汽車發(fā)動機的點火模式。
關(guān)鍵詞：汽車發(fā)動機；點火模式診斷；模式分類；小波變換；支持向量機
1引言
汽車發(fā)動機的點火系統(tǒng)建立的基礎(chǔ)不同，但基本操作是相似的。所有點火系統(tǒng)的次級電路中的火花都是由初級電路引起的，而且火花必須在正確的時間點上交付給火花塞。示波器和范圍表是用來對點火系統(tǒng)進行分析的。范圍模式顯示點火系統(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火線圈，范圍表還能夠檢測到發(fā)動機射擊電壓。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)的時間或火花線的斜率。范圍表通過幾種模式通常可以顯示點火系統(tǒng)和發(fā)動機問題的原因?；军c火模式和每個模式表示的意義對于檢測發(fā)動機點火問題是十分重要的。圖1展示了電子點火系統(tǒng)中發(fā)動機的循環(huán)和其相應(yīng)的發(fā)動機故障的一下例子。
當使用范圍表對發(fā)動機故障進行診斷時，捕獲的點火信號需要技師指示起點和終點的信號。然后，技師們把這些信號與信號手冊中的進行對比分析。根據(jù)分析診斷，將發(fā)動機的相應(yīng)部位進行拆開。然而，這種人工診斷可能是不準確的，因為許多信號模式是十分相似的。除此之外，不同（甚至是相同的）發(fā)動機的故障同樣產(chǎn)生很多不同形狀的點火模式。因此，點火模式是沒有標準的幅度以及持續(xù)時間。很明顯，比較信號的相同或是不同僅僅是靠技師們的個人經(jīng)驗，這是一個相當困難的任務(wù)。為了基于點火模式找出故障，幾個試驗（拆卸和組裝發(fā)動機零部件）是必要的，但這需要投入大量的時間和精力。為了解決這個問題，機械師必須掌握一種以計算機為基礎(chǔ)的模式分類系統(tǒng)。
火花塞積碳
時間/毫秒
失火由于極其稀薄的混合物文本框
時間/毫秒
狹窄的火花塞間隙文本框
時間/毫秒
發(fā)動機異響
時間/毫秒
時間/毫秒
濃混合氣
圖 1 電子點火的點火模式示例和相應(yīng)的發(fā)動機故障
當前， 幾乎沒有基于計算機點火方式來分析汽車發(fā)動機故障與診斷的文獻。其主要原因由一下幾點：
（1）點火模式是時刻變化和非固定的。不同發(fā)動機模型產(chǎn)生的點火模式的振幅和持續(xù)時間是不同的。即便是相同的發(fā)動機，在不同的運行狀況下也就產(chǎn)生不同的模式。這進一步增加人為診斷的困難程度。
（2）不同發(fā)動機故障的點火模式十分相似。從人為的角度來看是很難正確區(qū)別各種模式，尤其是當捕獲的范圍表是根據(jù)失真的噪聲的時候。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)，建模點火模式分類便成為一種可能。一個大約120毫秒的周期對發(fā)動機來講是很典型的。因此，汽車儀表通常會設(shè)置頻率為100千赫的采樣率用來捕捉發(fā)動機每個循環(huán)點火方式和怠速試驗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)動機循環(huán)，每個樣本模式會產(chǎn)生15000個數(shù)據(jù)點。對所有的數(shù)據(jù)點進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模式來識別。然而，這些兩種方法有幾個缺點。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函數(shù)。
高斯過程分類過程中，數(shù)據(jù)會被假定是正態(tài)分布的。雖然分布信號可以被轉(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)練時間。最新的研究結(jié)果表明支持向量機（SVM）比MFN更具有準確性。與高斯過程分類相比較，SVM更適合于高維數(shù)據(jù)集。因此在這項研究中支持向量機是用來構(gòu)建一種基于計算機的模式分類。在以上提到的應(yīng)用技術(shù)當中，利用點火方式來分析汽車發(fā)動機故障是一種全新的實驗。
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部分展示基于計算機的結(jié)果分類點火模式。第5和第6部分列舉分析實驗裝置和結(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)
在許多工程信號分析當中已經(jīng)證實離散小波變換有非常有效的應(yīng)用。DWT的主要 優(yōu)點是它構(gòu)建了一個不同的支持（窗口大?。磾U張（寬）的低頻和夏普（窄）高頻。這樣以來，高頻率的信號便需要更詳細的頻域分析。在另一方面，該信號的低頻還要進行時域分析。這樣以來就建立了最優(yōu)時頻分辨率的范圍。
一般地，在小波變換中，信號x?[N]由兩個數(shù)字濾波器進行分解和迭代。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。第二個過濾器H?[?]是一個低通濾波器，主要對低頻率進行提取。利用同樣的過濾過程進行持續(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低通濾波器H指定，符合標準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。濾波器被作為時域上的雙尺度時間關(guān)系而表達出來。
上式中 [?]↑m表示m和k具有同樣采樣的離散時間。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分析。濾波器中的信號的由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)點是信號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)信號最理想的工具。根據(jù)測得的熵的每個子帶和一個給定的最適合的分解，信號可以便可以被選擇了。
圖2 WPT的三個層次分解
WPT中使用的熵類型通常是以下中的一個：
基準：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、Si 是信號的第i個小波系數(shù)，n為信號的長度，ε是由公式計算的臨界值：[2ln(n log2(n))]1/2。有了基于熵的標準之后，小波分解就可以自動計算了。
2.3壓縮
正如上文所提到的，一個采樣點所捕獲的圖案數(shù)量是十分巨大的，因此它需要很長的時間來訓(xùn)練，測試此種點火模式。點火模式會在特種提取前被壓縮為預(yù)處理步驟。
考慮信號S= F（X）， 它可以再次被分解：
由于給定的信號的頻率分布不一定總是偶數(shù)，這些個小波包基的重量會有明顯的改變。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。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)雜性和計算量。 通過WPT一組2L的 的信號子帶可以得到的，L是WPT分解的水平。
3多類支持向量機
3.1支持向量機的兩類問題
當前支持向量機是一個眾所周知的計算機學(xué)習工具。它被廣泛應(yīng)用到處理范圍廣泛的工程問題當中。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為捕獲的點火模式示波表，而yi是與標簽相關(guān)聯(lián)的每個圖案表示的類中的一個。從超平面可以發(fā)現(xiàn)，當利潤率是最大時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則是一個正則化的參數(shù)，K是一個計算在更高維的內(nèi)積 空間的內(nèi)核函數(shù) 。這個內(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是一個超參數(shù)。 根據(jù)二元分類器的輸出，然后計算：
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)進行更新。基于 SGN函數(shù)，已知 z后便可以直接計算 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個不同的分類器可以構(gòu)建對于k類。第k個分類器構(gòu)造一個該類之間的超平面。其中每個超平面把它本身從其他類中分離出來。應(yīng)當指出的是，即使在數(shù)目很小??的情況下支持向量機也成倍增加。然而，在目前的研究中采用一對一的策略是因為它的準確性可以得到保證。
?4 項目建設(shè)的點火模式分類
?本部分介紹總體建設(shè)思路與智能點火方式的分類。圖3所表示的是四個分類系統(tǒng)的階段。第一階段是訓(xùn)練數(shù)據(jù)，即數(shù)據(jù)點以及它們對應(yīng)的發(fā)動機故障。在每個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部分中再進行描述。
SVM MFN
萃取
壓縮
正常
提取
分類
壓縮信號
火花點火
圖3 智能點火的四個階段智能點火
4.1標準化
點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)動機轉(zhuǎn)速 、波動、各種測試條件的不同，所以每個采樣點捕獲的數(shù)目、圖案是不完全相同的。在目前的研究中，所有模式設(shè)置的標準長度為18000，然而為了節(jié)約，實際采樣點信號小于17000。因此超過18 000附加了一系列的穩(wěn)態(tài)值 直至達到最大數(shù)量（圖4）。因為最大觸發(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?；?
數(shù)據(jù)點度N
數(shù)據(jù)點度N
圖4 采樣的規(guī)范化
4.2壓縮
信號的采樣點的數(shù)量等于輸入的支持向量機號碼。目前用于個人電腦（如MATLAB），SVM的訓(xùn)練，甚至運行，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關(guān)鍵因素。高的壓縮 率會導(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級子帶的第i個點的值，N表示原始信號。pj是第j子帶的小波能量比例。3級壓縮信號被壓縮成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細節(jié)的系數(shù)D（i）逼近系數(shù)A（ i）。
（ 4 ）重構(gòu)的基礎(chǔ)上，近似的信號系數(shù)A （ i）和臨界值處理細節(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 ，點火模式是隨時間變化的和非固定的，也就是說，每一個發(fā)動機（在相同或不同的型號）可產(chǎn)生的點火模式不同的長度和幅度。要構(gòu)建分類系統(tǒng)與這些隨時間變化的模式，也可能是不適宜直接比較的點火模式。代替的點火模式的重要特征可以是考慮用于比較。 WPT提供了一個工具來分解和提取的高頻和低頻點火模式子帶。這些提取的頻率子帶（功能）被認為是作為訓(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，當一個新的數(shù)據(jù)到達時，它需要經(jīng)歷前面的步驟：歸化、壓縮、并在提取前分類。?
5實驗裝置?
5.1數(shù)據(jù)收集
為了檢驗所提出方法的有效性，實驗成立了樣本數(shù)據(jù)采集和評估測試等步驟。不同型號的發(fā)動機被用來模仿反射眾所周知故障癥狀點火模式如表1所示。
表1 由點火模式反映發(fā)動機故障樣本可能原因
序號
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)動機爆震，由于積碳燃燒室
這九個故障被選定為示范實例。在這個案例中，使用三個著名的直列4缸4沖程發(fā)動機，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。實驗裝置怎樣捕獲點火如圖5所示。
圖5 使用計算機相連的汽車范圍計從發(fā)動機收集的點火模式
要想捕獲點火模式，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個采樣點。對于每個測試引擎的癥狀，根據(jù)三種不同發(fā)動機的試驗條件可以捕獲的點火模式與標準現(xiàn)象對比。選擇兩個每缸的模式是因為發(fā)動機的轉(zhuǎn)速為在測試過程中難以保持恒定，并且每個氣缸都有其不同的制造誤差。因此，點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)和驗證的SVM分類器。在這種研究中，點火模式的總數(shù)為等于9個癥狀× （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，標準號為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)值的點火模式等于零（0 V） 。因此，這個過程相當于零附加，直到達到了18 000個采樣點數(shù)量。為了減少訓(xùn)練和測試的時間，訓(xùn)練和測試利用WPT被壓縮成1/8倍（ 2 250分）。通常情況下，母小波選擇基于試驗和錯誤之上。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)本試驗結(jié)果顯示，最佳組合為DB6和3級。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進行測試。?
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)實施網(wǎng)絡(luò)工具箱中在這個案例中，MFN有2 250個輸入神經(jīng)元和 4個輸出神經(jīng)元（即4位九類） 以及25個隱藏的神經(jīng)元。一般情況下，將學(xué)習率為設(shè)定為0.1時，25個隱藏的神經(jīng)元就能夠提供充足能力接近一個高度非線性的函數(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機下運行。用于精度的測量便于評價分類器。?
6.1評價
支持向量機分類器的性能能夠通過分類精度來體現(xiàn)。評價分類精度十分簡單，因為評估只是計算出輸入矢量x和比較其定目標類。但由于N個案例測試組同時測試，每個測試例子TI ∈測試， i = 1到N，傳遞到支持向量機的分類器。如果計算出的類Ti不等于其給定的目標類，將相應(yīng)的誤差Ei的設(shè)置為1，泛指EI為0 。最后，錯誤Ei的總和就是通過測試用例的總數(shù)N，它的補分給出了準確的計算公式，如下：
6.2 SVM的結(jié)果
以上實驗中，（ γ ，C）的最佳組合是結(jié)果為（1 ，100）。訓(xùn)練SVM需要的時間0.064 8秒。其精度比測試結(jié)果是95.68 ％ ?；煜仃嚨拿總€類別??在表2中顯示，其中只有7 162信號分為錯誤類和無用的標識。該結(jié)果顯示了從WPT方法點火模式中提取重要特征的有效性和可靠性。此外，支持向量機也能具有了良好的分類準確度。?
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)練時間方面也進行了比較。在MFN中，學(xué)習率并須隱含神經(jīng)元的數(shù)目才能被提供于用戶。它們都能夠使用10倍進行選擇交叉驗證，表3還表明，支持向量機的運行比MFN由更快的速。
表2 混淆矩陣的SVM分類表
9X18
實際結(jié)果
預(yù)測結(jié)果
9X18
實際結(jié)果
預(yù)測結(jié)果
表3 混淆矩陣的MFN分類
7結(jié)論
?在智能點火識別模式的基礎(chǔ)上，小波包變換和支持向量機已成功應(yīng)用于汽車發(fā)動機故障診斷。這是第一次試圖在汽車應(yīng)用此種方法。
（1）經(jīng)過上文的實驗已經(jīng)證明 WPT是一種有效的用于數(shù)據(jù)壓縮和從發(fā)動機的特征提取點火模式的工具。在自動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）支持向量機在產(chǎn)生一個可靠分類系統(tǒng)中已被應(yīng)用，這種方式可節(jié)省大量的時間、精力，用于讀取點火圖案以及故障的診斷。
（3）在本研究中，實驗結(jié)果表明支持向量機生產(chǎn)的95.68 ％的分類精度。并且支持向量機的訓(xùn)練時間也只需要0.064 8秒。即支持向量機的精度、時間均優(yōu)秀于MFN。
（4）如需進一步的發(fā)展，應(yīng)該從不同型號的發(fā)動機的不同故障中被捕獲，以提供一個更廣泛的訓(xùn)練數(shù)據(jù)，以使分類器可以是比較一般化。
參考文獻：
[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)動機的分析與檢測技術(shù)。
[3] MALLAT S. 信號處理第3版?？茖W(xué)出版社，2008 。
[4] KOHONEN T BARNA G CHRISLEY R.統(tǒng)計模式，美國圣地亞哥，1998.
[5] VONG C M ，汽油發(fā)動機的現(xiàn)代建模方法。浙江大學(xué)學(xué)報，2005，
[6] UYAR M, YILDIRIM S, GENCOGLU M T 基于小波變換的特征提取方法擾動信號的研究。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，劍橋大學(xué)出版社， 2000 。
[9] HORNG M H. 多類支持向量機的研究超聲圖像分類，2009。
[10] 劉剛吉，故障的診斷方法中國機械工程學(xué)報，2007
附 件：外文資料原文
28