发动机作为汽车的动力源,其运行状态的好坏,直接影响到整车的工作状况。发动机产生的故障占全车故障的比例很高,维修费用较高,花费时间也较长。在发动机不解体的情况下,若能及时准确地对其当前的技术状况做出判断,判明故障部位,指出故障原因和排除方法,这无疑将提高汽车使用的可靠性和安全性。汽车发动机的振动能够反映其零部件的运行状况。本文以DA462-1A/D型电喷汽油机为研究对象,通过分析比较采集到的发动机缸体振动信号对气门间隙故障进行诊断,并根据小波多分辨率分析技术,提取了发动机故障信号特征值。前馈型BP神经网络具有极强的模式识别和分类能力。本文从应用角度分析了网络设计中网络的层数、隐含层的神经元数、初始权值、学习速率、期望误差等的选取问题,并提出了相应的改进方法。本文将神经网络技术引入到发动机故障诊断中,结合小波多分辨分析理论,提出了一种适于发动机故障诊断的BP神经网络模型。在所建立的BP神经网络的基础上,设计了一套能进行发动机故障诊断的实验系统,并通过模拟气门间隙故障进行了实验验证。实验研究结果表明:本文基于小波分析的神经网络所建立的发动机故障诊断实验系统能够对发动机气门间隙故障进行有效的诊断,诊断结果非常理想。