基于音频的发动机故障诊断使用波形,马尔科夫毯,ROCKET和优化机器学习分类器

科学领域:

• 汽车工程 汽车工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 发动机故障诊断对于汽车售后市场管理至关重要.
• 由于信号变化和特征分布分歧,创建标记数据集很困难.
• 发动机数据的非线性和分歧使准确的故障识别复杂化.

研究的目的:

• 开发一种强大的混合方法,使用音频发射信号对发动机故障状况进行分类.
• 解决发动机故障诊断中非线性和特征分布的挑战.
• 通过改进故障分类,增强汽车行业的决策过程.

主要方法:

• 在模拟故障条件下 (注入器故障,进气管故障,没有故障) 来测试压缩点火发动机的音频发射信号.
• 波段包转换 (WPT) 的应用,用于将信号分解为子时间序列.
• 使用马尔科夫毯子特征选择,随机卷积内核转换 (ROCKET) 和树结构的帕森估计器 (TPE) 进行超参数调整,使用十个机器学习分类器.
• 集成WPT,特征选择,ROCKET和TPE优化的ML分类器,用于混合诊断系统.

主要成果:

• 混合式方法成功地根据音频排放对不同发动机故障情况进行了分类.
• 波段数据包将有效处理的音频数据转化为信息频率和分辨率子时间序列.
• 马尔科夫毯特征选择确定了关键特征,提高了分类准确度.
• 与TPE调整的ML分类器相结合的ROCKET方法,与标准方法相比,证明了优越的概括性能.

结论:

• 拟议的混合方法为使用音频信号进行发动机故障诊断提供了强大而有效的解决方案.
• 这种方法克服了与汽车应用中的信号非线性和特征分布相关的挑战.
• 这些发现支持通过可靠的发动机状况分类来改善汽车行业的规划和决策.