随着汽车保有量的增加,故障车的维修任务量也随之增大,因此对汽车的故障诊断和维修提出了更高的要求。研究表明,汽车发动机是整车中故障率较高的部分,针对汽车发动机的故障诊断技术研究也成为近些年国内外普遍关注的重点。本文主要以汽车发动机常见的主要故障为研究对象,实现了从故障采集到特征分析最后到故障模式确定的故障诊断完整的流程,并对诊断过程中所用到的各种特征提取和模式识别的算法最终的诊断效果进行了详细地比较和分析。首先,根据对汽车发动机振动信号的基本情况和采集原理依据的分析,搭建了汽车发动机故障信号采集系统。系统主要包括压电传感器、信号放大模块、采集卡和上位机部分。软件方面主要包括基于Labview环境编写的数据采集控制程序部分和基于MATLAB的数据处理程序部分。在实验中,用搭建好的采集系统对四种不同工况下发动机的振动信号进行实时观测并采集。具体工况包括:测试车1发动机正常,测试车1发动机单缸断火,测试车2发动机正常和测试车2发动机轴瓦严重磨损。最终将得到的信号数据及采集参数设置一并保存到上位机。为区分发动机不同的工作状态,需要对采集到的信号进行特征提取和模式识别。首先,采用两种特征提取的方法:时域峭度融合小波包能量熵和经验模态分解能量特征分别对原始数据进行分析,得到能过反映不同工况下信号特征的特征向量。然后,建立不同的分类模型:支持向量机(support vector machine)、K最邻近(K-Nearest Neighbor)分类器和极限学习机网络(extreme learning machine),并依据测试结果正确率、训练时间以及混淆矩阵对各分类模型的最终分类效果进行对比和评价。结果表明,上述分类模型都可以实现对汽车发动机四种不同工况的分类和识别。特征向量提取方法和故障识别算法两类要素共同决定了系统最终的故障诊断效果。从识别正确率和训练时间上来看,由经验模态分解得到的IMF能量比值特征输入极限学习机网络得到的测试结果要优于其他算法,兼具分类正确率高和训练时间短的优点。