发动机作为汽车的动力源,其工作条件恶劣、故障率高。在日常使用中,气门间隙异常和点火系异常是发动机最常见的故障,气门间隙异常将影响发动机的进排气效果、动力性和排放性等指标;而发动机点火系异常将直接使发动机丧失工作能力。发动机缸盖表面振动信号的测量方便快捷,振动、冲击和噪声信号包含丰富的信息,可以实时地反映发动机的工作状态,本课题从发动机缸盖振动信号入手,针对故障诊断的两大核心环节——特征向量提取和故障状态识别,针对气门间隙异常和点火系异常的故障,分析探讨了运用总体平均经验模态分解(EEMD)和支持向量机(SVM)联合诊断的发动机故障分析方法。在信号分析理论的基础上,对特征模态函数的相关系数法的计算过程进行了推导,并运用此方法对仿真信号进行了特征向量提取,验证了此方法的有效性。以DA462型汽油发动机为研究对象,建立了发动机振动信号采集测试系统。人为模拟发动机气门间隙及缺火故障等8种工况,采集了各工况对应的一、四缸缸盖振动信号,并将采集的信号分为训练样本集和测试样本集。进行总体平均经验模态分解,得到各阶特征模态函数;随后运用相关系数法分别求取基于一、四缸振动信号的特征向量,将一缸振动信号的特征向量作为故障特征向量,建立用于发动机振动信号故障识别的BP神经网络、默认参数的SVM、交叉寻优的SVM、粒子群优化算法的SVM模型,得到测试集分类结果;将一、四缸振动信号的特征向量分别导入到四种故障识别分类器中,建立分类模型并得到测试集分类结果。对比两种方法的分类结果及用时,结果表明,应用EEMD算法的相关系数法对一、四缸振动信号求取故障特征向量、应用优化算法的支持向量机进行故障分类识别,两种方法结合,分类稳定性高,适用于非稳态时变信号,对小样本适应性强,对所设发动机故障的诊断识别准确率高,对发动机不解体故障诊断研究具有一定的应用价值。