小波包变换（WPT）是一种用于数据和信号处理的著名技术，在状态监测和故障诊断中得到了成功的应用。采用小波变换的特征提取方法，对汽车发动机在故障和健康状态下发出的声音信号进行了分析。其目的是将声音信号分为健康和错误两类。声音信号是由4种不同的汽车发动机在健康和故障状态下产生的。所调查的故障在发动机的点火系统内。此外，还有其他可能的问题，也可能影响产生的声音信号。在报告的研究中，首先从记录的信号中提取一组特征。随后使用基于相关性的特征选择（CFS）算法选择信息量更大的特征。实验结果证明了基于小波变换的特征提取方法在实际工作中的有效性。
汽车工业的发展要求对汽车进行成本效益高的故障诊断和维修。因此，内燃机故障诊断是一个重要的课题。因此，需要开发一种能够对发动机运行状态进行预警的汽车发动机状态监测系统。振动信号和声音信号在故障诊断中得到了广泛的应用。使用小波包变换（WPT）进行特征提取；然而，目标是一个比声音受环境噪声影响更小的振动频带。主要关注发动机的声音，并使用WPT来提取单个故障的特征，但没有报告特征选择。
利用发动机的声音自动检测加大间隙的气门。在实验中，WPT被用于特征提取。一旦WPT被应用，最大值和最小值被用于检测。实验中只使用了两台取样发动机。在另一项报告的工作中，仅在一个样本发动机/汽车上考虑了几个故障。还有一个报告的工作，重点是摩托车活塞孔故障识别。研究集中在4种不同类型的车型中，每种车型（车型）使用60个不同的样本进行单一故障检测。这样，所提议的方法可望适用于各种汽车类别；因此，它的能力更为普遍。在听力范围内操作
声频分析也证明了该方法能有效地处理环境噪声，并能利用廉价的数据采集设备。发动机产生的声音和振动信号都包含有关发动机工作条件的大量动态信息。机械系统产生的声音信号的特性可以用一个典型的声音波形来表示。典型波形与设备内受监控部件的运行状态相关。因此，信号处理技术可以为故障诊断和状态监测提供有用的方法。在基于声音信号处理技术的故障诊断和状态监测中，提取与特定故障密切相关的信息或特征是一个巨大的挑战。此外，信号的性质和从提取的信息中得到的精度决定了信号处理技术的适用性。目前有许多信号处理技术。例如，快速傅立叶变换（FFT）是用于提取频域特征的频域分析。这种方法依靠频率的变化来识别不同的故障条件。FFT将信号传输到频域，在处理过程中发生信息丢失。在实现FFT时，假设信号是平稳的，或者换句话说，它们的统计数据不会随时间而改变。非平稳信号的FFT是信号持续时间内的平均频域。因此，FFT不能表示低频瞬态信号的特性。此外，FFT从易受背景噪声影响。为了克服上述缺点，引入短时傅里叶变换（STFT）作为FFT的替代方法。STFT使用窗口函数将信号分成小段，然后计算每个段的FFT，以评估其频率和相位含量。由于窗口函数的宽度在信号的整个持续时间内是固定的，因此STFT具有固定的时频分辨率。近年来，小波变换（WT）因其在时频域信号处理中的应用前景而吸引了众多研究者的关注。连续小波变换（CWT）用于故障诊断领域。离散小波变换（DWT）值得注意，因为计算与信号不同分辨率相关的CWT系数需要更长的时间。小波变换的主要优点是它使用一个可调整大小的窗口，该窗口在较低的频率下变大，在较高的频率下变尖。这是因为信号的较高频率需要在频域中进行更详细的分析，而信号的较低频率需要在时域中进行更详细的分析。然而，传统的小波变换缺乏对高频信号的精确分析。WPT是传统小波变换的推广，也就是说，与DWT只分解信号的近似形式不同，WPT同时分解近似形式和细节形式。WPT提供了关于该信号的更有价值的信息。
小波变换用于分析不同频率分辨率的信号。WT使用其多分辨率分析（MRA）框架来实现这一点。MRA在高频时具有良好的时间分辨率和较差的频率分辨率，在低频时具有良好的频率分辨率和较差的时间分辨率。为此，WT使用具有各种宽度的窗口函数。窗口函数称为母小波或小波基。该函数是一个具有有限长度（紧支撑）振荡的小波，其作用类似于生成其他窗口函数的原型，这些窗口函数用于具有不同支撑区域的变换。称为时频或时标分析，小波变换是一个由两个自变量组成的函数，称为标度和平移。平移参数是指在信号的整个持续时间内移动的母小波的位置。此参数对应于信号的时间信息。尺度参数指的是母小波的拉伸（或压缩）。低尺度对应于压缩的母小波，反之亦然。在频域上，压缩后的母小波较好地显示了信号的高频信息，而扩展后的母小波也显示了信号的低频信息。小波变换分为连续变换和离散变换。在连续版本，即CWT中，上述两个参数不断变化。但是，在离散版本（即DWT）中，选择每个可能的比例和平移值的子集。也就是说，选择了二进音阶和译文，这意味着音阶和译文是2的幂。这使得离散版本类似于一个滤波器组，原始信号通过滤波器组传递。
在工作报告中，所调查的发动机缺陷存在于点火系统中，即发动机仅在第一个气缸缺环的情况下工作。使用位于发动机上方20 cm处的麦克风在车间中记录发动机声音信号。调查的发动机来自4种不同的汽车，包括Pride（起亚汽车）、标致405、标致Pars和伊朗霍德罗的国家汽车Samand。对于每辆车，记录60辆在发动机转速为1000转/分的正常和故障条件下采样的汽车的声音信号。实验数据集中只有一个错误和一个正常状态图（1）。数据采集的采样频率为44100hz。整个过程如图（2）所示。
记录的声音信号被传送到预处理单元，在那里记录的信号被手动去噪。去噪是通过听记录的声音信号并将部分信号与人为推断的噪声分离来实现的。因为信号是在车间里录下来的。
在试验对象附近运行的设备和人声被视为环境噪声。噪声的信号电平太高，以致于将信噪比降低到不可接受的低电平。由于维修人员正在车间对汽车进行检查，汽车可能会或可能不会出现其他附加故障。例如，燃烧正时故障导致发动机不能正常工作，这会导致相当大的声音异常。所分析的信号包括在5s的记录时间内的正常和故障操作条件。
使用FFT和DWT方法来区分故障发动机和正常发动机。在当前工作中，利用上述数据，将提取出的信号传输到特征提取单元，在特征提取单元中，每个声音信号被WPT分解为3层小波包树。分解树最后一级的每个节点用于计算特征，然后构建一个包含32个特征的数据集。实验表明，从第2级移动到第3级并不会使所选特征发生显著变化。因此，我们没有走得更远。在下一步中，构造的数据集被传输到特征选择单元。在特征选择单元中，CFS算法用于选择信息量最大的特征，而其他信息量较小的特征则被丢弃。然后将缩减后的数据集转移到分类单元，其中随机选择10%的样本进行培训，90%进行测试。然而，在不同的工作条件下，可以针对不同类型的信号源调整频率边界，以获得更好的结果。
在研究中，使用WPT分析声音信号，以识别汽车发动机的故障燃烧，而不考虑汽车的类型。所提出的方法能够处理包含环境噪声且在记录时间内是静态的信号，例如风扇工作时的声音。该方法同样适用于其它类型的汽车发动机。使用不同类型的汽车作为试验对象证明了这一点。因此，所提出的方法在故障检测方面是独立于汽车的。因此，在频率域和时频域的不同信号分析技术中，WPT被证明更为成功。在频域信号处理中，没有时间信息。因此，在某种程度上，时间信息应该包含在计算中。传统的小波变换不能很好地表示高频信息。因此，由于WPT以相同的方式处理高频和低频，因此从WPT系数中提取的信息可以表示更精确的签名。
在未来的工作中，可以考虑对特定汽车进行检测或对类似汽车进行分类检测。在故障列表中添加更多故障及其成功分类也将包括在报告工作的未来计划中。声音信号的自动去噪是一个必要的过程，这将有助于整个系统的自动化，也可以被视为未来的研究方向。自编写本文以来，研究已经有所改进。减少了输入特征对分类的PCA维数的使用，提高了方法的性能。