随着汽车工业技术的进步,汽车的性能更加完善,但结构也越来越复杂.同时也对汽车技术状况的检测与故障诊断的水平提出了更高的要求.发动机作为汽年的动力部件,其运行状念的好坏,直接影响到整车的工作状况.而点火系统作为发动机的关键系统,对发动机的动力性、经济性、排放污染等指标起着非常重要的作用.因此,对其进行状态检测和故障诊断,对提高汽车运行状况、降低能耗和改善生态环境都有重要意义.该课题研究的目的在于通过对目前发动机故障诊断技术,特别是点火系统故障诊断技术的研究,使之与近年来发展迅速的小波分析理论、神经网络技术相结合,建立起比较完善的发动机点火系统智能故障诊断方法,并开发出一套实验系统对该文所提出的诊断方法进行验证.在研究了汽车发动机传统点火系统工作原理的基础上,分析了汽车发动机点火系统的故障诊断参数,提出通过从初级电压波形上提取故障征兆对发动机点火系统进行故障诊断.在对目前国内外汽车发动机点火系统故障诊断方法进行充分研究的基础上,把小波分析和神经网络技术引入了汽车发动机点火系统故障诊断过程中,论述了这两种技术在故障诊断的特征提取和故障识别中的应用.研究了基于小波分析理论的波形特征提取,探讨了基于变换模极大值的波形信号奇异性检测的理论,论述了基于小波变换模极大值的波形特征提取的完备性.在对人工神经网络的基本原理和误差反向传播学习算法进行深入研究的基础上,采用动量—自适应学习率算法,用以改善BP算法收敛速度缓慢的不足.通过实例仿真,证明了动量—自适应学习率算法具有较大的理论意义和应用价值.基于该文采用的动量—自适应学习率算法,设计了一套发动机点火系统神经网络故障诊断系统,并对网络的结构模型、训练方法等进行了研究,通过对发动机点火系统典型故障的实际测试,验证了该诊断系统的性能,说明了所建立的故障诊断网络的有效性和实用性.