發(fā)布時間：2017-10-13 00:25

  本文關(guān)鍵詞：基于WPT-GA-SVM的柴油機典型故障診斷研究

  更多相關(guān)文章： 小波包分析 最大奇異值 BP神經(jīng)網(wǎng)絡 GA算法 支持向量機

【摘要】：柴油機作為工程機械的動力源,廣泛應用于船舶,車輛,發(fā)電機組等領域。由于運行工況復雜,工作條件惡劣,很容易發(fā)生故障。對柴油機故障的處理方法,通常采用定期保養(yǎng)、檢修和事后維修等處理方法,但是這些方法通常缺乏事故預見能力,維修成本較高,效率卻很低,因此研究實用簡便的智能故障診斷方法十分必要。此外,由于對缸蓋振動信號的測量較為簡單方便,通過采集缸蓋振動信號對柴油機進行不解體故障診斷一直是廣大學者研究的熱點。由于缸蓋振動信號受多種激勵源影響,屬于非平穩(wěn)非線性振動信號,故需要選擇合適的信號處理方法對缸蓋振動信號進行分析。本文建立柴油機缸蓋振動信號實驗采集平臺。以WP10型號六缸柴油機為測試對象,采集柴油機在正常及不同故障狀態(tài)缸蓋振動信號作為測試樣本。研究小波包分析在缸蓋振動信號數(shù)據(jù)處理及特征提取中的應用,對柴油機正常狀態(tài)、進排氣門間隙故障、噴油提前角故障及供油量故障進行三層小波包分析。研究小波包分解的八個子頻帶的功率譜密度圖,確定柴油機不同故障的特征頻帶范圍。分析不同故障特征頻帶最大奇異值分布,均方根值分布,偏度分布,峭度分布,并以此作為BP神經(jīng)網(wǎng)絡,GA優(yōu)化BP神經(jīng)網(wǎng)絡,支持向量機(SVM)及GA優(yōu)化SVM的輸入向量。分析不同輸入向量在柴油機單一故障與多故障中的分類準確度。研究結(jié)果表明:對柴油機單一故障進行分類,采用BP神經(jīng)網(wǎng)絡作為分類器,分類準確率達90%以上;采用GA-BP作為分類器,準確率達95%以上;采用SVM作為分類器,分類準確率達92%以上;采用GA-SVM作為分類器,準確率達96%以上。對柴油機多故障綜合分類,采用BP神經(jīng)網(wǎng)絡,準確率達90%以上;采用GA-BP做分類器,準確率達95%以上。采用SVM作分類器,準確率87%以上,采用GA-SVM作為分類器,準確率達95.8%以上。采用WPT-GA-SVM對柴油機3種典型故障,分類精度達95%以上。
【關(guān)鍵詞】：小波包分析 最大奇異值 BP神經(jīng)網(wǎng)絡 GA算法 支持向量機
【學位授予單位】：天津大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TK428
【目錄】：

• 中文摘要4-5
• Abstract5-11
• 字母注釋表11-12
• 第一章 緒論12-18
• 1.1 柴油機機械故障診斷技術(shù)研究的背景和意義12-13
• 1.2 柴油機機械故障診斷技術(shù)的國內(nèi)外研究現(xiàn)狀13-16
• 1.2.1 傳統(tǒng)故障特征提取研究方法14
• 1.2.2 現(xiàn)代信號處理方法提取故障特征14-15
• 1.2.3 故障識別方法研究現(xiàn)狀15-16
• 1.3 本文研究的主要內(nèi)容16-18
• 第二章 柴油機故障診斷基本理論方法研究18-30
• 2.1 特征提取方法研究18-23
• 2.1.1 連續(xù)小波變換18-19
• 2.1.2 離散小波變換19-20
• 2.1.3 小波包分析20-23
• 2.2 模式識別方法研究23-26
• 2.2.1 BP神經(jīng)網(wǎng)絡方法研究23-25
• 2.2.2 GA-BP神經(jīng)網(wǎng)絡方法研究25-26
• 2.3 支持向量機理論及應用研究26-28
• 2.4 GA-SVM理論及應用研究28-29
• 2.5 本章小結(jié)29-30
• 第三章 柴油機典型故障實驗與振動信號分析30-44
• 3.1 柴油機振動特性分析30
• 3.2 故障模擬試驗30-32
• 3.3 振動信號分析32-43
• 3.3.1 氣門間隙故障振動信號分析32-36
• 3.3.2 噴油提前角故障振動信號分析36-40
• 3.3.3 供油量故障振動信號分析40-43
• 3.4 本章小結(jié)43-44
• 第四章 柴油機故障特征提取研究44-54
• 4.1 最大奇異值44-48
• 4.1.1 進排氣門間隙故障最大奇異值分布研究45-46
• 4.1.2 噴油提前角故障最大奇異值分布研究46-47
• 4.1.3 供油量故障最大奇異值分布研究47-48
• 4.2 均方根值48-50
• 4.2.1 氣門間隙故障均方根值分布研究48-49
• 4.2.2 噴油提前角故障均方根值分布研究49-50
• 4.2.3 供油量故障均方根值分布研究50
• 4.3 偏度值50-52
• 4.3.1 氣門間隙故障偏度值分布研究50-51
• 4.3.2 噴油提前角故障偏度值分布研究51
• 4.3.3 供油量故障偏度值分布研究51-52
• 4.4 峭度值52-53
• 4.4.1 氣門間隙故障峭度值分布研究52
• 4.4.2 噴油提前角故障峭度值分布研究52-53
• 4.4.3 供油量故障峭度值分布研究53
• 4.5 本章小結(jié)53-54
• 第五章 柴油機典型故障模式識別研究54-64
• 5.1 模式識別器的參數(shù)選取54-58
• 5.2 模式識別器的分類結(jié)果58-62
• 5.2.1 BP神經(jīng)網(wǎng)絡分類結(jié)果研究59-60
• 5.2.2 GA-BP神經(jīng)網(wǎng)絡分類結(jié)果研究60-61
• 5.2.3 SVM分類結(jié)果研究61-62
• 5.2.4 GA-SVM分類結(jié)果研究62
• 5.3 本章小結(jié)62-64
• 第六章 全文總結(jié)與展望64-66
• 6.1 工作總結(jié)64-65
• 6.2 工作展望65-66
• 參考文獻66-70
• 發(fā)表論文和參加科研情況說明70-71
• 致謝71-72

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 劉昱;張俊紅;畢鳳榮;林杰威;李維偉;魯鑫;;基于LMD邊際譜的柴油機氣門故障診斷[J];內(nèi)燃機工程;2014年06期

2 蔡艷平;李艾華;石林鎖;許平;張瑋;;基于EMD-WVD振動譜時頻圖像SVM識別的內(nèi)燃機故障診斷[J];內(nèi)燃機工程;2012年02期

3 趙學智;葉邦彥;陳統(tǒng)堅;;基于小波—奇異值分解差分譜的弱故障特征提取方法[J];機械工程學報;2012年07期

4 司景萍;任慶霜;梁紅波;張寶偉;;基于小波包分析的氣門間隙異常故障診斷[J];振動與沖擊;2011年12期

5 湯寶平;蔣永華;張詳春;;基于形態(tài)奇異值分解和經(jīng)驗模態(tài)分解的滾動軸承故障特征提取方法[J];機械工程學報;2010年05期

6 王春林;梅衛(wèi)江;邊金英;趙永滿;吳疆;;基于振動信號的柴油機氣門間隙異常故障診斷[J];石河子大學學報(自然科學版);2010年01期

7 商斌梁,夏勇,張振仁,薛模根;遺傳算法在氣門機構(gòu)故障診斷中的應用[J];內(nèi)燃機學報;2000年04期

中國博士學位論文全文數(shù)據(jù)庫 前5條

1 從飛云;基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D];上海交通大學;2012年

2 李敏通;柴油機振動信號特征提取與故障診斷方法研究[D];西北農(nóng)林科技大學;2012年

3 劉成材;發(fā)動機爆震小波包變換分析及其特征提取研究[D];吉林大學;2010年

4 楊宇;基于EMD和支持向量機的旋轉(zhuǎn)機械故障診斷方法研究[D];湖南大學;2005年

5 王志華;基于模式識別的柴油機故障診斷技術(shù)研究[D];武漢理工大學;2004年

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 劉學坤;基于支持向量機和油液檢測的船舶柴油機故障診斷研究[D];大連海事大學;2013年

2 劉鵬;基于振動分析的氣門間隙異常故障診斷[D];內(nèi)蒙古工業(yè)大學;2006年

，

本文編號：1021816