本文關(guān)鍵詞：基于支持向量機的柴油機故障診斷技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著船用柴油機技術(shù)的發(fā)展,智能化技術(shù)已成為其主要發(fā)展趨勢,船用柴油機故障診斷技術(shù)是智能化三大核心技術(shù)之一。由于船用柴油機的工作特性,顯然不會有太多的故障樣本,而當前的智能診斷技術(shù),諸如神經(jīng)網(wǎng)絡(luò)方法等,都是以大量的樣本學習為基礎(chǔ)的,這嚴重制約了船用柴油機故障診斷技術(shù)的發(fā)展。近些年發(fā)展起來的支持向量機作為一種高效的分類方法,其理論建立在統(tǒng)計學習理論的基礎(chǔ)上,它在解決小樣本高維模式識別問題上表現(xiàn)出良好的性能。因此,開展基于支持向量機的船用柴油機故障診斷技術(shù)研究具有理論意義和工程應(yīng)用價值。 本文在研究支持向量機原理和開展故障模擬試驗的基礎(chǔ)上,進行了基于支持向量機的柴油機故障診斷技術(shù)研究,取得的主要研究結(jié)論如下： 1、介紹分析了支持向量機的基本原理、多值分類算法和基于粒子群優(yōu)化算法的分類器參數(shù)優(yōu)化方法,為支持向量機應(yīng)用于柴油機故障診斷技術(shù)奠定理論基礎(chǔ),并對比傳統(tǒng)基于標準值的診斷方法和神經(jīng)網(wǎng)絡(luò)方法,分析了支持向量機應(yīng)用于柴油機小樣本故障診斷的可行性和優(yōu)越性,并給出了實際應(yīng)用的具體路線； 2、搭建了柴油機試驗臺架,進行了試驗系統(tǒng)硬件軟件的設(shè)計開發(fā),在此基礎(chǔ)上進行了進氣閥間隙異常、排氣閥間隙異常、氣閥漏氣和失火狀態(tài)下的故障模擬試驗,測取了瞬時轉(zhuǎn)速和聲發(fā)射信號,為柴油機故障診斷技術(shù)研究提供可靠數(shù)據(jù)來源及分析平臺； 3、進行了基于支持向量機的瞬時轉(zhuǎn)速故障診斷技術(shù)研究。應(yīng)用波形分析法進行了瞬時轉(zhuǎn)速特征參數(shù)分析,提取了波動率最大變化值、波動率作功峰值、工頻與發(fā)火頻率能量比、倍頻與發(fā)火頻率能量比4個故障敏感特征參數(shù),作為特征向量,應(yīng)用支持向量機建立了故障診斷模型,測試結(jié)果表明：該模型能有效地診斷失火和做功能力不足(氣閥漏氣)的故障,且在高負荷下具有最好的分類性能； 4、進行了基于支持向量機的聲發(fā)射故障診斷技術(shù)研究。應(yīng)用參數(shù)分析法進行了聲發(fā)射特征參數(shù)分析,提取了工作循環(huán)有效值、進氣門關(guān)閉段有效值、排氣門關(guān)閉段有效值和燃燒段有效值4個時域參數(shù),以及應(yīng)用小波包分析法對聲發(fā)射信號進行3層Daubechies8小波包分解,提取了S2、S3及S4頻帶的能量比,組成7維特征向量,應(yīng)用支持向量機建立了故障診斷模型,測試結(jié)果表明：該模型能有效地診斷進氣閥間隙異常、排氣閥間隙異常、氣閥漏氣和失火的故障,對不同氣閥漏氣程度也能作出準確診斷,且分類性能穩(wěn)定,隨負荷波動較小； 5、進行了船用柴油機多方法綜合監(jiān)測診斷的策略研究。綜合熱力參數(shù)法、瞬時轉(zhuǎn)速法、氣缸壓力示功圖法、聲發(fā)射法、活塞環(huán)監(jiān)測法、軸系振動法、軸功率法及船舶運行性能監(jiān)測法等方法,進行了系統(tǒng)組成設(shè)計,分析各方法的適應(yīng)范圍,設(shè)計綜合監(jiān)測診斷模型,在此基礎(chǔ)上,進行了多方法綜合監(jiān)測診斷的策略研究。在某輪渡3號線和4號線的工程應(yīng)用驗證了綜合監(jiān)測診斷策略的有效性。
【關(guān)鍵詞】：船用柴油機 故障診斷 支持向量機
【學位授予單位】：武漢理工大學
【學位級別】：碩士
【學位授予年份】：2012
【分類號】：U672.2
【目錄】：

• 摘要4-6
• Abstract6-8
• 目錄8-10
• 第1章 緒論10-15
• 1.1 選題背景及意義10-11
• 1.2 柴油機智能故障診斷技術(shù)的研究現(xiàn)狀11-12
• 1.2.1 基于專家系統(tǒng)的柴油機故障診斷方法11-12
• 1.2.2 基于神經(jīng)網(wǎng)絡(luò)的柴油機故障診斷方法12
• 1.3 支持向量機的研究現(xiàn)狀12-14
• 1.3.1 支持向量機在故障診斷領(lǐng)域中的應(yīng)用12-13
• 1.3.2 支持向量機在柴油機故障診斷領(lǐng)域中的應(yīng)用13-14
• 1.4 本文主要研究內(nèi)容14-15
• 第2章 基于支持向量機的多故障分類器研究15-26
• 2.1 支持向量機原理15-19
• 2.1.1 線性可分15-17
• 2.1.2 線性不可分17-18
• 2.1.3 非線性18-19
• 2.2 支持向量機的多值分類算法19-21
• 2.2.1 “一對多”分類算法20
• 2.2.2 “一對一”分類算法20-21
• 2.3 故障分類器參數(shù)的優(yōu)化算法21-23
• 2.3.1 粒子群優(yōu)化算法(PSO)21-23
• 2.3.2 基于粒子群優(yōu)化算法的支持向量機參數(shù)優(yōu)化方法23
• 2.4 基于支持向量機的柴油機故障診斷技術(shù)路線23-26
• 第3章 柴油機試驗設(shè)計與故障模擬試驗26-36
• 3.1 試驗臺架搭建26-28
• 3.2 試驗系統(tǒng)設(shè)計28-33
• 3.2.1 開發(fā)平臺28-30
• 3.2.2 硬件組成30-31
• 3.2.3 軟件組成31-33
• 3.3 故障模擬試驗33-36
• 3.3.1 試驗方案33-34
• 3.3.2 傳感器測點布置34-36
• 第4章 基于支持向量機的柴油機瞬時轉(zhuǎn)速診斷技術(shù)36-46
• 4.1 瞬時轉(zhuǎn)速診斷機理36
• 4.2 瞬時轉(zhuǎn)速計算36-38
• 4.2.1 瞬時轉(zhuǎn)速信號提取37-38
• 4.2.2 瞬時轉(zhuǎn)速信號處理38
• 4.3 特征參數(shù)提取38-44
• 4.3.1 波形分析法38-44
• 4.4 基于支持向量機的瞬時轉(zhuǎn)速故障診斷模型44-46
• 第5章 基于支持向量機的柴油機聲發(fā)射診斷技術(shù)46-65
• 5.1 聲發(fā)射診斷機理46-47
• 5.2 信號預(yù)處理47
• 5.3 特征參數(shù)提取47-61
• 5.3.1 參數(shù)分析法47-56
• 5.3.2 小波包分析法56-61
• 5.4 基于支持向量機的聲發(fā)射故障診斷模型61-65
• 第6章 船用柴油機多方法綜合監(jiān)測診斷策略研究65-72
• 6.1 綜合監(jiān)測診斷系統(tǒng)設(shè)計65-67
• 6.2 綜合監(jiān)測診斷策略研究67-70
• 6.3 工程應(yīng)用70-72
• 第7章 總結(jié)與展望72-74
• 7.1 論文工作總結(jié)72-73
• 7.2 展望73-74
• 參考文獻74-77
• 致謝77-78
• 攻讀碩士學位期間發(fā)表的論文和參加的科研項目78

【引證文獻】

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 于學寬;船舶動力設(shè)備狀態(tài)監(jiān)測與故障診斷技術(shù)研究[D];武漢理工大學;2013年

  本文關(guān)鍵詞：基于支持向量機的柴油機故障診斷技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

本文編號：276591