基于概率神经网络发动机故障诊断

摘要：发动机作为汽车的动力源,其运行的好坏,影响到整车的工作。发动机产生的故障占全车故障的比例大,维修费用高,维修花费的时间也较长。同时发动机的结构也越来越复杂,工作条件越来越苛刻,故障的判断也越来越困难,为此,在发动机不解体的情况下若能及时准确地对其的技术做出判断,判明故障部位,故障原因和排除方法,这无疑将提高汽车使用的可靠性和安全性。是利用小波包分析和神经网络的智能方法对柴油发动机故障诊断研究的。小波包分析是一种将频率分辨到任意细节的信号处理方法,它不仅对低频信号分解,对高频信号也能继续分解,因此在故障诊断了广泛的应用。选取db2小波函数,用改进的小波包软阈值消噪方法对采集的振动信号消噪处理,然后对消噪处理后的信号3层小波包分解与重构,进而提取归一化后的故障特征向量。神经网络具有极强的非线性映射能力,适合于非平稳信号的分析和复杂模式的识别,所以动力机械识别的有力工具。中神经网络中的概率神经网络作为故障模式分类识别的工具,试验的要求和求解的问题,确定网络的输入层神经元个数为9个、输出层神经元个数为28个,即模式识别数为28个。是利用DASP-V10专业分析软件对云内4100QB柴油发动机的振动信号采集。DASP-V10是一套运行在Window98/Me/NT/2000/XP/Vista平台上的多通道信号采集和实时分析系统,与北京东方振动和噪声技术研究所的不同硬件配合使用,即可构成一个可多种动静态试验的试验室。DASP-V10既具有多类型视窗的多模块功能集成特性,又具有操作便捷的特点。在对云内动力股份有限公司生产的4100QB柴油发动机试验的基础上,建立起了基于小波分析和概率神经网络的自适应故障诊断系统。该系统采集了柴油机缸体表面的振动信号,并将速度信号处理,也作为特征向量的一个参数。把提取的特征向量作为神经网络的训练样本,建立起了基于概率神经网络的故障诊断系统。输入检验样本对神经网络自适应故障诊断系统验证,结果该系统能地对故障分类识别,实现故障诊断。同时对影响概率神经网络故障诊断正确率的因素了分析,结果,训练样本的数量和质量是影响故障诊断正确率的主要因素,训练样本数量的增加,故障诊断的正确率提高;而扩展常数spread值的改变对中的故障诊断模型的故障诊断正确率是影响的。试验中应用DASP-V10专业软件采集了发动机在正常和非正常工作下的缸体和气缸侧壁上的振动信号,利用MATLAB小波分析源程序对振动信号消噪处理,提取相应的特征向量,作为神经网络的训练和检验样本。试验和分析结果,的基于概率神经网络的故障诊断方法简单易行,具有广阔的应用前景。关键词：发动机论文故障诊断论文小波包论文概率神经网络论文

摘要4-6

Abstract6-11

1 绪论11-18

1.1 课题背景11

1.2 动力机械设备故障诊断技术的现状11-14

1.2.1 概述11-12

1.2.2 国内外研究现状12-14

1.3 故障诊断技术的发展趋势14

1.4 机械故障诊断的基本方法14-16

1.5 制约动力机械故障诊断发展的主要因素16

1.6 本论文研究的主要内容16-17

1.7 小结17-18

2 小波分析理论及其在信号处理中的应用18-29

2.1 小波分析理论基础18-23

2.1.1 小波分析的定义18-19

2.1.2 离散小波函数和二进小波变换19-20

2.1.3 Doubechies(dbN)小波函数20-22

2.1.4 小波消噪方法22-23

2.2 小波包理论23-27

2.2.1 小波包定义24

2.2.2 利用小波包信号消噪处理24-25

2.2.3 发动机振动信号的小波包分析25-27

2.3 小波分析在信号处理和故障诊断中的应用27

2.4 小结27-29

3 神经网络理论及其在故障诊断中的应用29-42

3.1 神经网络简介29-32

3.1.1 神经网络的发展史29-30

3.1.2 人工神经网络的特性和应用30-31

3.1.3 神经网络的主要模型31-32

3.2 径向基神经(RBF)网络32-35

3.2.1 径向基神经网络模型32-35

3.2.2 径向基网络的工作特性35

3.3 概率神经网络(PNN)35-40

3.3.1 概率神经网络模型36-37

3.3.2 基于模式识别的Bayes 判决理论37-38

3.3.3 概率神经网络的数学描述38-39

3.3.4 概率神经网络的特点39-40

3.4 神经网络在故障诊断中的应用40-41

3.5 小结41-42

4 发动机振动特性与试验方法42-53

4.1 发动机振动特性42-44

4.1.1 柴油机的基本组成结构42-43

4.1.2 柴油机振动特性分析43-44

4.1.3 柴油机振动力传播途径44

4.2 发动机振动信号的采集44-47

4.2.1 测点位置的选择44-45

4.2.2 信号采集45-47

4.3 试验系统47-51

4.3.1 试验仪器与软件简介47-50

4.3.2 试验设备的主要技术参数50-51

4.4 试验51-52

4.5 小结52-53

5 柴油发动机故障诊断方法研究53-62

5.1 训练样本的确定53-56

5.2 网络结构的确定56-57

5.3 故障诊断模型的建立57-58

5.4 基于PNN 的发动机故障诊断模型仿真58-61

5.5 小结61-62

6 和展望62-64

6.1 62

6.2 展望62-64