本文關(guān)鍵詞：基于核主元分析與信息熵的柴油機(jī)故障診斷

  更多相關(guān)文章： 柴油機(jī) 故障診斷 小波包降噪 分塊核主元分析 信息熵 神經(jīng)網(wǎng)絡(luò) D-S證據(jù)理論

【摘要】：在科學(xué)技術(shù)日新月異的今天，人們對機(jī)械設(shè)備的要求越來越高。柴油機(jī)作為最常見的往復(fù)式機(jī)械設(shè)備，被廣泛應(yīng)用于汽車、飛機(jī)、船舶及工農(nóng)業(yè)的各個(gè)領(lǐng)域。但由于柴油機(jī)自身結(jié)構(gòu)復(fù)雜及工作環(huán)境惡劣等因素，導(dǎo)致柴油機(jī)故障的多發(fā)性與多樣性。如何及時(shí)發(fā)現(xiàn)并有效、快速的診斷與處理故障已成為國內(nèi)外學(xué)者孜孜不倦的動力與研究內(nèi)容。 本文以R6105AZLD柴油機(jī)為研究對象，通過故障設(shè)置及信號采集系統(tǒng)來獲得原始信號。在此基礎(chǔ)上提出了基于核主元分析及信息熵的柴油機(jī)故障診斷方法。小波包降噪繼承了小波多辯多析的特點(diǎn)，又克服了小波降噪對高頻信號處理較弱的缺點(diǎn)，能夠更好的提高時(shí)頻分辨率。通過改進(jìn)并重新設(shè)計(jì)核函數(shù)，利用核主元分析在處理非線性信號方面的獨(dú)特優(yōu)勢，將非線性耦合關(guān)系的小波包降噪數(shù)據(jù)映射到高維特征空間，在高維特征空間中進(jìn)行線性的主元分析；針對柴油機(jī)短時(shí)振動信號，從信號的定量描述方法出發(fā)，利用延時(shí)嵌陷、基線漂移信號修復(fù)等技術(shù)，分別對振動信號進(jìn)行時(shí)域奇異譜熵（TSE）、功率譜熵（PSE）、小波奇異譜熵（WSE）、小波能量譜熵（WEE）、小波時(shí)間熵（WTE）的特征提��；并在此基礎(chǔ)上分析了模糊C均值聚類法在故障診斷方面的應(yīng)用與優(yōu)缺點(diǎn)，并做進(jìn)一步改進(jìn)，采用模糊C核聚類的方法來進(jìn)行故障診斷；最后通過D-S證據(jù)與BP神經(jīng)網(wǎng)絡(luò)融合實(shí)現(xiàn)了系統(tǒng)的優(yōu)化，降低了單一診斷方法的不確定性，提高了對故障診斷結(jié)果的準(zhǔn)確性，，從而實(shí)現(xiàn)了柴油機(jī)故障診斷一套完整的診斷方法。
【關(guān)鍵詞】：柴油機(jī) 故障診斷 小波包降噪 分塊核主元分析 信息熵 神經(jīng)網(wǎng)絡(luò) D-S證據(jù)理論
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TK428
【目錄】：

• 摘要4-5
• Abstract5-10
• 1 緒論10-18
• 1.1 選題背景和依據(jù)10-11
• 1.2 本課題研究目的和意義11-12
• 1.3 柴油機(jī)故障診斷研究現(xiàn)狀12-13
• 1.4 核聚類理論的研究發(fā)展13-14
• 1.5 基于信息熵算法的故障診斷研究14-15
• 1.6 模糊 C 均值聚類的研究現(xiàn)狀15-16
• 1.7 本文研究內(nèi)容16-18
• 2 柴油機(jī)故障機(jī)理簡析18-27
• 2.1 引言18-19
• 2.2 柴油機(jī)的基本結(jié)構(gòu)與常見故障19-23
• 2.2.1 柴油機(jī)的基本結(jié)構(gòu)及作用19-20
• 2.2.2 柴油機(jī)常見故障20-22
• 2.2.3 柴油機(jī)常見故障原因分析22-23
• 2.3 柴油機(jī)發(fā)展所面臨的挑戰(zhàn)23-24
• 2.4 柴油機(jī)故障特點(diǎn)24-25
• 2.5 柴油機(jī)故障診斷技術(shù)發(fā)展方向25
• 2.6 振動信號特性分析25-26
• 2.7 柴油機(jī)特征提取方法26
• 2.8 總結(jié)26-27
• 3 柴油機(jī)故障診斷實(shí)驗(yàn)及分析27-34
• 3.1 引言27-28
• 3.2 實(shí)驗(yàn)用柴油機(jī)基本概況28
• 3.3 柴油機(jī)測試系統(tǒng)28-30
• 3.4 柴油機(jī)傳感器的安裝與故障設(shè)置30-32
• 3.4.1 柴油機(jī)測點(diǎn)位置的選擇30-31
• 3.4.2 故障設(shè)置31-32
• 3.5 振動信號采樣頻率設(shè)置32
• 3.6 實(shí)驗(yàn)步驟及說明32-33
• 3.7 小結(jié)33-34
• 4 信號的特征提取34-66
• 4.1 柴油機(jī)振動特征34-35
• 4.1.1 時(shí)頻域統(tǒng)計(jì)特征34-35
• 4.2 頻譜分析特征值35-37
• 4.3 小波包降噪及提取特征值37-42
• 4.3.1 小波及小波包變換37-38
• 4.3.2 小波包對柴油機(jī)振動信號降噪的基本步驟38-39
• 4.3.3 選擇不同的消失距 dB 系小波包降噪39
• 4.3.4 正常信號小波包分析及特征值提取39-42
• 4.4 核主元分析算法42-46
• 4.4.1 核主元分析（KPCA）基本概念42-43
• 4.4.2 基本定理及運(yùn)算43
• 4.4.3 常用的核函數(shù)及各特點(diǎn)43-45
• 4.4.4 核主元分析的基本算法45-46
• 4.5 核主元分析故障判斷準(zhǔn)則46-47
• 4.6 核主元分析法故障診斷步驟47-48
• 4.7 利用核主元方法特征值提取及故障診斷48-53
• 4.8 信息熵在信號特征提取中的應(yīng)用研究53
• 4.9 傳統(tǒng)信息測度的局限性53-54
• 4.10 基于小波變換的時(shí)-頻域信息熵54-58
• 4.10.1 小波奇異譜熵(wavelet Singular Entropy：WSE)54-56
• 4.10.2 小波能譜熵(wavelet Energy Entropy：WEE)56-57
• 4.10.3 小波時(shí)間熵(wavelet Time Entropy：WTE)57-58
• 4.11 柴油機(jī)信息熵特征值提取58-64
• 4.11.1 時(shí)域信息熵提取(Time frequency Singular Entropy)58-60
• 4.11.2 頻域信息熵提取(Power Spectrum Entropy)60-61
• 4.11.3 小波奇異譜熵提取(wavelet Singular Entropy：WSE)61-62
• 4.11.4 時(shí)-頻域信息熵-小波能譜熵提取(wavelet Energy Entropy：WEE)62-63
• 4.11.5 時(shí)-頻域信息熵-小波時(shí)間熵提取(wavelet Time Entropy：WTE)63-64
• 4.12 小結(jié)64-66
• 5 基于模糊聚類分析的故障診斷研究66-76
• 5.1 數(shù)據(jù)集的 C 劃分66-67
• 5.2 模糊 C 聚類目標(biāo)函數(shù)67-70
• 5.3 模糊 C 均值聚類算法70-71
• 5.4 模糊 C 核聚類71
• 5.5 基于模糊 C 核聚類下的柴油機(jī)故障診斷的研究71-74
• 5.5.1 判斷故障類型74
• 5.6 模糊故障診斷的優(yōu)缺點(diǎn)74-75
• 5.7 小結(jié)75-76
• 6 基于 D-S 理論和 BP 神經(jīng)網(wǎng)絡(luò)融合的故障識別研究76-85
• 6.1 引言76
• 6.2 DS 證據(jù)與神經(jīng)網(wǎng)絡(luò)融合基本理論76-80
• 6.2.1 DS 證據(jù)融合基本理論76-77
• 6.2.2 針對柴油機(jī)特征設(shè)計(jì) BP 神經(jīng)網(wǎng)絡(luò)77-79
• 6.2.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練79-80
• 6.3 基于神經(jīng)網(wǎng)絡(luò)和 D-S 證據(jù)理論結(jié)合的柴油機(jī)故障診斷80-84
• 6.3.1 神經(jīng)網(wǎng)絡(luò)進(jìn)行局部診斷81-83
• 6.3.2 D-S 證據(jù)理論決策層融合診斷83-84
• 6.4 小結(jié)84-85
• 7 結(jié)論與展望85-87
• 參考文獻(xiàn)87-91
• 攻讀碩士期間發(fā)表的論文及所取得的研究成果91-92
• 致謝92-93

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 ;A Method for Gear Fault Diagnosis Based on the Empirical Mode Decomposition[J];International Journal of Plant Engineering and Management;2004年04期

2 劉嵩;譚建軍;;一種核主元分析的人臉識別方法及其DSP實(shí)現(xiàn)[J];電訊技術(shù);2012年08期

3 李丹;顧宏;張立勇;;基于屬性加權(quán)的不完全數(shù)模糊c均值聚類算法[J];大連理工大學(xué)學(xué)報(bào);2012年05期

4 王逸萍;梅軍;鄭建勇;陳厚源;戴永正;顧宇鋒;;基于KPCA的高壓斷路器故障診斷[J];電測與儀表;2013年08期

5 張玲玲;任金成;周斌;喬龍;廖紅云;陳祥龍;;基于EMD分形維數(shù)與模糊C均值聚類的柴油機(jī)故障診斷[J];軍事交通學(xué)院學(xué)報(bào);2012年05期

6 王光研;許寶杰;;RBF神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J];機(jī)械設(shè)計(jì)與制造;2008年09期

7 周小勇,葉銀忠;故障信號檢測的小波基選擇方法[J];控制工程;2003年04期

8 仝磊;陳越;王直;秦琪;;基于D-S證據(jù)理論的柴油機(jī)故障診斷[J];科學(xué)技術(shù)與工程;2010年15期

9 劉輝;周志英;;基于動態(tài)模糊矩陣的柴油機(jī)故障診斷[J];煤炭技術(shù);2007年08期

10 孟海東;馬娜娜;宋宇辰;徐貫東;;基于密度函數(shù)加權(quán)的模糊C均值聚類算法研究[J];計(jì)算機(jī)工程與應(yīng)用;2012年27期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前6條

1 肖文斌;基于耦合隱馬爾可夫模型的滾動軸承故障診斷與性能退化評估研究[D];上海交通大學(xué);2011年

2 柴艷有;基于核學(xué)習(xí)理論的船舶柴油機(jī)故障診斷研究[D];哈爾濱工程大學(xué);2012年

3 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(xué);2012年

4 張亢;局部均值分解方法及其在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用研究[D];湖南大學(xué);2012年

5 郭艷平;面向風(fēng)力發(fā)電機(jī)組齒輪箱滾動軸承故障診斷的理論與方法研究[D];浙江大學(xué);2012年

6 明陽;基于循環(huán)平穩(wěn)和盲源分離的滾動軸承故障特征提取方法研究[D];上海交通大學(xué);2013年

本文編號：606531