内燃机配气机构的气门间隙大小变化,直接影响内燃机的燃油经济性和排放性能。由于气门所在位置长期经受高温高压的气流冲击,以及活塞往复运动所带来的机械冲击,导致配气机构易于磨损。为了准确识别内燃机气门间隙故障,本文针对气门间隙故障诊断的精度与速度问题,借助故障状态信号处理和故障分类算法展开研究。论文主要工作包括:(1)明确故障特征信号所处频段考虑到传统气门间隙故障诊断并未考虑通过分析故障的直接激励力来确定故障特征信息所在频段,本文通过AVL EXCITE Timing Drive平台建立配气机构多质量模型进行仿真分析。对不同气门间隙故障下各激励力的变化情况进行了时域分析和频域分析,确定了气门间隙故障的主要激励力为凸轮轴承力和气门落座力,研究并确定了主要激励力幅值变化所处的频域范围为2kHz~5.5kHz。为后续故障特征提取提供了明确的频段范围,降低了故障特征向量维数和计算复杂度。(2)内燃机缸盖振动加速度信号的时域分析和频域分析对气门间隙故障下的内燃机缸盖振动加速度信号进行时域和频域分析,通过时域分析得出,缸盖振动加速度信号幅值随着气门故障严重程度增加而增大;通过频域分析得出,频段2kHz~5.5kHz内的信号幅值大小变化与气门间隙故障严重程度成正比。并且,使用时域分析方法能从缸盖振动加速度信号中分析得到关于气门故障信息的整体走势,使用频域分析方法能清楚观察到组成缸盖振动信号的分量在各频域的幅值大小,但两者收集到的故障信息有限。通过短时傅立叶变换对故障信号的分析结果表明:对非线性、非平稳的缸盖振动加速度信号,使用时频分析方法更能有效提取故障特征。(3)基于小波包分解和k邻近算法的气门间隙故障诊断研究考虑到小波分析对高频的频率分辨率低,且不同故障下的故障特征存在较多交叉,因此,本文使用基于小波包特征提取和k邻近算法故障识别的内燃机气门间隙故障诊断方法。首先,对采集的故障信号进行3层小波包分解;然后,选取步骤(1)中所确定的故障频带作为故障特征频带,并对各频段信号的能量值进行归一化处理;接着,构建故障特征向量,并作为k邻近算法的输入;最后,将提出的小波包和k邻近方法用于内燃机气门间隙故障诊断。其诊断结果与BP神经网络(BPNN)、支持向量机(SVM)和最小二乘支持向量机(LSSVM)的诊断结果比较,基于小波包和k邻近方法的诊断效果更好,在2.3108秒内达到95%的故障诊断正确率。(4)基于经验模态分解(EMD)和BPNN的气门间隙故障诊断研究考虑到EMD方法无需预先设定基函数,且所得故障特征更加趋于实际特征,因此,本文使用基于EMD方法特征提取和BPNN方法故障识别的内燃机气门间隙故障诊。首先,对采集的信号进行EMD分解;然后,选取(1)中确定的故障频带所对应的特征模态函数(imf),计算各imf的能量值,并对其进行归一化处理;接着,构建故障特征向量,并作为BPNN的输入;最后,将提出的EMD和BPNN方法用于内燃机气门间隙故障诊断。结果表明:与基于小波包和k邻近算法的故障诊断方法相比,该方法鲁棒性明显提高,且具有更好的诊断精度,其准确率达到97.5%。针对EMD在分解故障信号过程中会产生模态混叠的问题,采用抗模态混叠能力更强的总体平均经验模态分解(EEMD)对故障状态信号进行分解;针对BPNN诊断过程中易陷入局部最佳的问题,采用粒子群算法优化BPNN算法(PSOBP)进行故障诊断。和基于EMD和BPNN的故障诊断相比,该方法具有更快的寻优速度,且诊断正确率达到98.33%。