点火线圈是汽车中的重要关键部件,它主要的故障形式是绝缘故障,目前点火系统高电压、高能量、高带宽、高频率的发展趋势向点火线圈绝缘故障检测提出了更高的要求。国内点火线圈制造商缺少专用于绝缘故障的检测、分析方法和关键技术,国外现有的点火线圈绝缘故障检测方法无法快速完成绝缘故障快速在线检测。并且虽然大型高压电器的绝缘故障检测与分析方法已经较为成熟,但是由于小型密封绝缘高压电器的绝缘故障的研究条件更苛刻、故障脉冲识别难度更大,所以这些方法并不适用于点火线圈。　　本文针对小型密封绝缘高压电器的特性,为点火线圈绝缘故障检测存在的上述问题提供了解决方法:首先在线识别绝缘故障脉冲的存在,其次在故障信号中确定绝缘故障发生的时刻,以发生时刻为中心提取故障信息,依据故障信息区分不同特征的故障源,指导制造工艺的改进。基于上述思想,本文的主要研究内容如下:　　为准确捕捉绝缘故障脉冲,现有点火线圈绝缘故障检测方法要求高速高采样率,在信号处理和特征提取过程中处理的信息大部分与检测任务无关,窄脉冲难以定位等问题。针对上述问题提出的检测方法在分析绝缘故障脉冲时、频特征的基础上,首先提取绝缘故障脉冲的高频成分提高检测效率。在进行去噪和特征提取过程中,同时将模拟信号中由多个10ns级极窄脉冲组成的故障脉冲的能量估计转化为μs级数字脉冲的宽度计算,节约检测时间,保留有用特征,排除噪声干扰。快速、有效地在线识别绝缘故障点火线圈,再通过对故障的进一步分析确定故障源。　　针对绝缘故障脉冲奇异点不同于一般奇异点检测统计模型的特点,本文绝缘故障信号奇异点检测算法在排除信号自身奇异点影响的基础上,根据绝缘故障脉冲奇异点邻域内模极大值点的分布特征制定追踪策略。针对小波变换模极大值奇异点检测传统算法抗噪性差的问题,本文算法在追踪过程中对模极大值点和线进行筛选,避免由噪声产生的模极大值点连接成线。针对复杂算法绘制模极大值线步骤繁琐的问题,本文算法在追踪模极大值点的同时,兼顾模极大值点的选择、模极大值线的筛选、交叉模极大值线的合并、模极大值线间的续接等,优化绘制模极大值线的步骤。本文提出的基于小波变换模极大值路线修正追踪的奇异点检测算法针对脉冲奇异点检测问题提高了现有算法的检测精度和速度。　　针对现有高压电器绝缘故障分类使用原始特征量,原始特征量中含有冗余和无关信息的问题,本文提出的主成分分析方法使用先分析后均衡的方法处理特征量,在保存原始特征量有效信息的基础上,实现特征量降维并增强特征量与目标标签的联系。针对神经网络依赖先验知识和充足样本,不适合小型密封绝缘高压电器绝缘故障分类的问题,使用更适合小样本和无先验知识的支持向量机分类。针对所有样本对训练过程贡献均等,离群点影响分类器收敛速度等问题,根据分类问题的样本分布对每个样本分别使用不同的惩罚系数,提出一种基于PSO样本加权的支持向量机分类算法。与传统的神经网络、标准支持向量机和PCA支持向量机算法相比,本文提出的改进的主成分分析特征提取方法和基于PSO样本加权支持向量机的绝缘故障分类算法提高了分类准确度,减少了分类算法的迭代次数。　　本文提出的检测与分类方法改善了点火线圈绝缘故障识别、脉冲定位和缺陷分析中制约速度和准确率提高的因素,为点火线圈绝缘故障研究提供了理论支持与关键技术,具有实际意义。