发动机是汽车重要的组成部分,随着现代科技水平的日益提高,汽车发动机朝着智能化和多功能化方向发展,其结构越来越复杂,所需诊断项目越来越多,而传统依赖人工经验的办法已逐渐不能满足更高的诊断需求。因此开展基于异响分析的发动机故障成分提取研究及试验,对发动机进行在线诊断,及时地消除发动机产生的故障,避免发动机出现较大的损伤,提高发动机的可靠性和使用寿命具有重要的工程意义。基于声信号诊断发动机故障是现代故障诊断的热门研究方向,具有非接触性优点。其中故障成分的提取是故障诊断过程中的核心问题,直接影响到诊断的准确性与可靠性。本文在充分总结国内外现状的基础上,开展了基于自适应性错位叠加方法(ADSM)的发动机故障成分提取研究。ADSM分为三个步骤,首先,建立叠加段和待叠加段中起始叠加点的自动搜寻算法。其次,以起始叠加点为基准截取异响信号,对不同片段进行叠加,消除背景噪声,提高信噪比。最后,截取叠加信号中包含故障成分主要信息和能量的部分,完成故障成分的分离。以型号为EA211的四冲程发动机为研究对象搭建了数据采集和处理平台。该平台主要由发动机、工控机、声传感器、编码器和数据采集卡组成。其中,声传感器负责采集异响信号,编码器负责通过角位移的控制对异响信号进行截取。文中给出了编码器上升沿的判断和异响信号的截取方式的数学模型。搭建了基于LabVIEW和Matlab的异响信号处理系统,该系统能够实时处理发动机产生的异响信号,判断发动机是否产生故障。人为设置了常见的敲缸故障和连杆轴承故障,使用ADSM对异响进行处理,并将提取结果与高信噪比故障成分进行对比。实验结果表明,ADSM能有效地提取异响信号中的故障成分。为进一步说明该方法的有效性,将ADSM的处理结果与小波降噪和经验模态分解(EMD)的处理结果进行了对比。结果表明,ADSM对于准周期性的冲击性故障成分具有更好的提取效果,该方法不仅能够提取发动机的故障成分,而且对于其他类型旋转机械的故障成分分离同样有效。本文的创新点主要集中在:(1)论文针对现有的错位叠加算法(DSM)中自动选取错位叠加点的不足,开展了起始叠加点自动选取算法的研究,并在此基础之上提出了 ADSM。