摘要：随着我国汽车保有量的不断增加，其仍然保持较高的增长率，发动机作为汽车中最为核心的部件之一，其技术的发展与汽车工业的发展息息相关。降低故障率是发动机研发与维修过程中着重关注的点，较小的故障率能够为汽车厂商带来口碑上的提升，也能够有效地缩减消费者的维修费用，对故障进行及时地预测与诊断能够大大降低消费者使用过程中的负担。

本文首先对发动机的常见故障进行说明，并详细分析发生故障的原因，形成故障现象与原因之间的关系矩阵。本文在原始发动机故障检测技术的基础上，引入了大数据与人工智能的概念，通过筛选与分析得到适用于故障预测的三种方法：RBF神经网络、SVM支持向量机与D_S证据理论。从数据层、特征层、决策层三个方面阐述了该类方法的相关理论，并且根据发动机故障数据的现状，梳理出RBF神经网络与D_S证据理论方法的预测机理与模型。其中RBF神经网络方法较好的纠错与学习功能，能够较为精准地输出发动机故障原因的权重，而D_ S证据理通过运用决策层融合的方式与方法，能够较为直观地判断故障原因的可信度。最后，引入支持向量机的方法对发动机的失火故障进行预测，输入48组训练样本，并输出12组预测样本的预测结果，最终得出该算法在较小训练样本的状况下准确率能够达到83.3%。

 

关键词：发动机；故障预测；大数据；人工智能

 

目录

摘要

Abstract

1 绪论-1

1.1 课题背景及意义-1

1.2 国外研究现状-2

1.3 国内研究现状-2

1.4 研究目的与主要内容-3

2 汽车发动机的故障分析-4

2.1 汽车发动机的常见故障-4

2.2 汽车发动机的故障分析-4

2.3 本章小结-6

3 大数据与人工智能的介绍-7

3.1 大数据的基本概念-7

3.2 人工智能基本理论与方法-7

3.2.1 RBF神经网络理论与方法-8

3.2.2 SVM支持向量机理论与方法-8

3.2.3 D_S证据理论基本理论与方法-9

3.3 本章小结-9

4 汽车发动机故障的预测方法-10

4.1 基于RBF神经网络的发动机故障预测-10

4.1.1 故障预测机理-10

4.1.2 故障预测模型-10

4.2 基于D_S证据理论的发动机故障预测-11

4.2.1 D_S决策层故障预测模型-11

4.2.2 决策层的融合预测与诊断-12

4.3 基于SVM支持向量机的发动机失火诊断-12

4.3.1 仿真分析输入-13

4.3.2 训练过程-15

4.3.3 诊断结果输出-15

4.4 本章小结-16

结论-17

参考文献-18

附录-19

致谢-22