基于分形技术与概率神经网络的柴油机故障诊断

发布时间：2017-04-03 19:03

  本文关键词：基于分形技术与概率神经网络的柴油机故障诊断，由笔耕文化传播整理发布。

【摘要】：随着经济社会的高速发展，制造业发展迅猛，柴油机的故障诊断技术迅速发展，有效降低了设备故障发生的频率，提高了经济效率。本文在前人的研究基础下，综合课题的需要和要求，通过提取振动信号为信号源，研究了柴油机发动机故障特征，，提出了分形技术和概率神经网络结合分析柴油发动机的故障特征的研究方法。 本文以柴油发动机为研究对象，首先给出了机械故障诊断的意义和研究现状，以及分形理论和神经网络应用的意义。介绍了小波理论的研究意义，详细分析了小波和小波包降噪的过程，研究采用小波包降噪的方法来获取实验需要的信号，并对比验证了在信号获取特征值过程中小波包降噪效果更好。 其次，介绍了分形理论测度方法，分形技术的提出使非线性信号的分析变得更加简单，重点研究了关联维数，采用经过改进的G-P关联算法，研究了延迟时间、无标度区间的选择方法。关联维数作为特征值的直观表现，能很好的反映非线性信号的特点，通过提取关联维数来判断故障特征。 最后，详细分析了BP神经网络和概率神经网络（PNN）的特点，比较了BP神经网络的不足，运用了概率神经网络的故障诊断方法，对样本进行训练精确分类故障。说明了神经网络作为故障识别的一种有效手段，建立样本训练库，更便于故障的分类。为了对故障进行分类判别，运用了分形技术与概率神经网络相结合的柴油机故障诊断研究方法，通过数据分析判断，验证了方法的可行性。
【关键词】：柴油机 小波包降噪 故障诊断 分形技术 概率神经网络
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TK428;TH165.3
【目录】：

• 摘要4-5
• Abstract5-7
• 目录7-11
• 第一章 绪论11-21
• 1.1 课题研究背景和意义11-12
• 1.1.1 课题研究的背景11-12
• 1.1.2 开展柴油机发动机故障诊断技术的主要意义12
• 1.2 研究内容及国内外研究现状12-15
• 1.2.1 国内外研究现状12-15
• 1.2.1.1 国外的故障诊断发展现状12-13
• 1.2.1.2 我国故障诊断技术的发展概况13-15
• 1.3 机械故障诊断技术的发展趋势15-16
• 1.4 分形理论概况16-19
• 1.4.1 分形理论的发展16-17
• 1.4.2 分形理论的应用17-19
• 1.5 本文研究内容19-21
• 第二章 小波理论及其在故障诊断中的应用21-40
• 2.1 小波理论及其应用21-29
• 2.1.1 连续小波变换的定义及数字实现21-25
• 2.1.1.1 连续小波变换的定义21-23
• 2.1.1.2 连续小波变换23-24
• 2.1.1.3 离散小波变换24-25
• 2.1.2 一维玛拉特算法25-29
• 2.2 小波去噪模型的建立及应用29-32
• 2.2.1 小波去噪模型的建立29-31
• 2.2.2 小波去噪模型的应用31-32
• 2.3 小波包理论在机械故障诊断中的应用32-37
• 2.3.1 小波包理论32-37
• 2.3.2 小波包滤波37
• 2.4 小波降噪与小波包降噪效果对比37-39
• 2.5 本章小结39-40
• 第三章 分形理论40-49
• 3.1 引言40
• 3.2 分形维数及其测量方法40-48
• 3.2.0 长度测量及其维数定义40-42
• 3.2.1 盒维数42-43
• 3.2.2 信息维数43
• 3.2.3 关联维数43-48
• 3.2.3.1 G-P 关联维数算法44-45
• 3.2.3.2 时间延迟的选择45-46
• 3.2.3.3 确定无标度区间46-48
• 3.3 本章小结48-49
• 第四章 分形理论在柴油机故障诊断中的研究49-63
• 4.1 引言49
• 4.2 柴油机的介绍及故障设置49-52
• 4.2.1 柴油机工作原理49-50
• 4.2.2 柴油机实验测量诊断故障类型的选取50-51
• 4.2.3 柴油机实验测点设置51-52
• 4.2.4 柴油机故障诊断信号获取52
• 4.3 关联维数在柴油机振动信号中应用52-62
• 4.3.1 关联维数的应用52-55
• 4.3.2 关联维数在柴油机故障诊断中的应用55-62
• 4.3.2.1 各种工况下信号波形以及关联维数对比55-62
• 4.5 本章小结62-63
• 第五章 基于概率神经网络技术的柴油机故障诊断研究63-78
• 5.1 前言63
• 5.2 BP 神经网络63-65
• 5.2.1 BP 神经网络结构和原理63-65
• 5.2.2 BP 神经网络的局限性65
• 5.3 PNN 神经网络的引入65-69
• 5.3.1 PNN 神经网络的原理及结构特点66-69
• 5.3.1.1 PNN 神经网络原理66-67
• 5.3.1.2 PNN 神经网络的结构67-69
• 5.3.1.3 PNN 神经网络的优点69
• 5.4 基于 PNN 神经网络的柴油机故障诊断69-77
• 5.4.1 问题背景69-71
• 5.4.1.1 特征值得选择70
• 5.4.1.2 分类器设计70-71
• 5.4.2 PNN 神经网络的建模71-72
• 5.4.3 柴油机的 PNN 神经网络故障诊断实现72-77
• 5.5 本章小结77-78
• 第六章 总结与展望78-80
• 6.1 本文总结78
• 6.2 工作展望78-80
• 参考文献80-85
• 攻读硕士学位期间发表的论文85-86
• 致谢86-87

【参考文献】

中国期刊全文数据库 前10条

1 金卫同;刘东升;李韬;;基于关联维数G-P算法的齿轮故障诊断[J];兵工自动化;2008年05期

2 刘东升;金卫同;米双山;李韬;;小波分形技术在齿轮故障诊断中的应用[J];兵工自动化;2008年12期

3 廖明，石博强，张文明，冯雅丽;分形在柴油机燃油系故障诊断中的应用[J];北京科技大学学报;1998年05期

4 陈军堂;廖世勇;甘剑锋;王希伟;朱礼杰;米林;;分形维数在基于噪声的发动机故障诊断中的应用[J];车用发动机;2011年05期

5 张朝晖,黄惟一;振动波形的分形判别及特征提取[J];东南大学学报;1999年04期

6 付华;尹丽娜;汪琦;;基于小波和概率神经网络的煤矿主通风机故障诊断[J];电气技术;2007年04期

7 耿纪洲;程广涛;王成恺;;基于小波分形技术提取发动机曲轴轴承故障特征[J];工业仪表与自动化装置;2013年04期

8 李晓磊;刘建敏;乔新勇;李晓伟;张杰;;柴油机活塞敲击及其振动响应机理研究[J];车用发动机;2014年01期

9 刘占生,刘成敏,刘树春,范显峰,唐炳照;小波分析和分形几何在转子动静碰摩故障诊断中的应用[J];哈尔滨工业大学学报;1999年01期

10 姬东朝;宋笔锋;易华辉;;基于概率神经网络的设备故障诊断及仿真分析[J];火力与指挥控制;2009年01期

中国博士学位论文全文数据库 前1条

1 杜必强;振动故障远程诊断中的分形压缩及分形诊断技术研究[D];华北电力大学（河北）;2009年

中国硕士学位论文全文数据库 前3条

1 王秋勤;基于概率神经网络的发动机故障诊断研究[D];西南林业大学;2010年

2 唐娟;柴油机振动信号特征参数提取方法及缸内压力信号重构方法的研究[D];山东大学;2007年

3 郭钢祥;基于局域均值分解和神经网络的柴油机故障诊断研究[D];中北大学;2013年

  本文关键词：基于分形技术与概率神经网络的柴油机故障诊断，由笔耕文化传播整理发布。

本文编号：284800