本文關(guān)鍵詞：活塞式發(fā)動機(jī)故障診斷方法研究與工程應(yīng)用

  更多相關(guān)文章： 活塞式發(fā)動機(jī) 柴油發(fā)動機(jī) 主成分分析 支持向量機(jī)

【摘要】：柴油機(jī)是常見的活塞式發(fā)動機(jī),在工業(yè)生產(chǎn)中應(yīng)用極其廣泛,主要應(yīng)用于石油、電力、冶金等領(lǐng)域。因此,對柴油機(jī)進(jìn)行狀態(tài)監(jiān)測,保證其安全、平穩(wěn)、高效的運行,具有十分重要的安全和經(jīng)濟(jì)價值。由于柴油機(jī)振動信號中帶有豐富的狀態(tài)信息,因此,基于柴油機(jī)振動信號處理的故障診斷方法成為了目前常用的較為有效的故障診斷手段之一,而柴油機(jī)缸蓋振動信號中含有大量的狀態(tài)信息,因此,基于柴油機(jī)缸蓋振動信號處理技術(shù)成為首選。相比于故障特征提取方法而言,智能診斷方法不需要提取出故障特征,可以直接根據(jù)機(jī)械設(shè)備狀態(tài)特征信息,判斷其運行狀態(tài)。常用的智能診斷算法有：神經(jīng)網(wǎng)絡(luò)、聚類分析、支持向量機(jī)等。基于聚類分析的故障模式識別方法由于初始值選取的隨機(jī)性,嚴(yán)重影響著故障診斷的結(jié)果。此外,當(dāng)樣本數(shù)目較大時,故障診斷的效率嚴(yán)重下降,難以滿足實際工程中故障診斷實時性要求�；谏窠�(jīng)網(wǎng)絡(luò)的故障狀態(tài)識別方法存在著算法復(fù)雜度高,程序計算量大,導(dǎo)致該方法的識別效率低,識別結(jié)果極易受到訓(xùn)練樣本數(shù)的影響。和前述兩種智能識別方法相比,支持向量機(jī)更適合于處理小樣本,克服了工程實踐中故障樣本不足對狀態(tài)識別的影響。柴油發(fā)動機(jī)是許多大型裝備的重要動力來源,由于實際故障監(jiān)測診斷手段落后,工程應(yīng)用中許多惡性故障頻發(fā),對重要裝備的安全穩(wěn)定運行有相當(dāng)大的影響。研究柴油發(fā)動機(jī)的故障診斷,實驗柴油機(jī)故障早期預(yù)警及故障診斷具有非常重要的理論和工程實際應(yīng)用價值。故障模擬實驗研究是進(jìn)行故障診斷研究的的重要組成部分,為深入研究故障機(jī)理和信號特征提供了大量的實際案例數(shù)據(jù)。本文提出一種新型的基于主成分分析(PCA)和支持向量機(jī)(SVM)的故障診斷方法。首先提取振動信號的多項時域指標(biāo),并利用小波包分解提取頻域特征；再利用PCA從提取的時域、頻域特征中選取敏感特征,實現(xiàn)降維處理,減小數(shù)據(jù)處理復(fù)雜度；最后利用SVM進(jìn)行特征子集的訓(xùn)練和測試,實現(xiàn)故障分離。該方法在柴油機(jī)的失火、撞缸、小頭瓦磨損等典型實際故障中的診斷準(zhǔn)確率高達(dá)98%,證實了該方法的有效性。
【關(guān)鍵詞】：活塞式發(fā)動機(jī) 柴油發(fā)動機(jī) 主成分分析 支持向量機(jī)
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TK428
【目錄】：

• 摘要4-6
• ABSTRACT6-12
• 第一章 緒論12-16
• 1.1 研究背景及意義12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.2.1 引言12-13
• 1.2.2 活塞式發(fā)動機(jī)故障診斷研究現(xiàn)狀13-14
• 1.2.3 柴油發(fā)動機(jī)故障診斷研究現(xiàn)狀14
• 1.3 研究主要內(nèi)容14-16
• 第二章 故障診斷方法研究16-32
• 2.1 引言16
• 2.2 特征參數(shù)16-18
• 2.3 基于主成分分析的特征參數(shù)選擇18-19
• 2.4 支持向量機(jī)19-20
• 2.5 基于小波包能量特征的柴油機(jī)故障識別20-32
• 2.5.1 小波包能量特征20-22
• 2.5.2 實例驗證與分析22-32
• 第三章 柴油機(jī)故障模擬實驗研究32-44
• 3.1 引言32
• 3.2 實驗臺簡介32-33
• 3.3 柴油機(jī)故障模擬實驗33-44
• 3.3.1 實驗內(nèi)容概述33-34
• 3.3.2 拆裝實驗34
• 3.3.3 撞缸故障模擬實驗34-37
• 3.3.4 斷齒故障模擬實驗37-40
• 3.3.5 動態(tài)壓力測試實驗40-44
• 第四章 典型案例44-64
• 4.1 中海油項目案例44-52
• 4.1.1 概述44
• 4.1.2 現(xiàn)場實施44-46
• 4.1.3 數(shù)據(jù)分析46-51
• 4.1.4 案例總結(jié)51-52
• 4.2 華油項目案例52-64
• 4.2.1 柴油機(jī)組平穩(wěn)運行案例52-59
• 4.2.2 柴油機(jī)組失火案例59-64
• 第五章 總結(jié)64-66
• 參考文獻(xiàn)66-70
• 致謝70-72
• 研究成果及發(fā)表的學(xué)術(shù)論文72-74
• 作者和導(dǎo)師簡介74-75
• 附件75-76

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 鄭慶利;;基于G-K模糊聚類的故障診斷方法研究[J];科技視界;2014年08期

2 李敏通;楊青;宋蒙;楊福增;;綜合模式分量能量及時頻域特征的柴油機(jī)故障診斷[J];農(nóng)業(yè)工程學(xué)報;2012年21期

3 司娟寧;劉金園;董澤;廖薇;;基于主成分分析與支持向量機(jī)的汽輪機(jī)故障診斷[J];汽輪機(jī)技術(shù);2011年02期

4 李志農(nóng);劉衛(wèi)兵;易小兵;;基于局域均值分解的機(jī)械故障欠定盲源分離方法研究[J];機(jī)械工程學(xué)報;2011年07期

5 紀(jì)少波;程勇;唐娟;馬宗正;黃萬友;;柴油機(jī)缸蓋振動加速度信號影響因素分析[J];振動與沖擊;2011年02期

6 李輝;鄭海起;唐力偉;;基于倒雙譜分析的軸承故障診斷研究[J];振動.測試與診斷;2010年04期

7 萬書亭;吳美玲;;基于時域參數(shù)趨勢分析的滾動軸承故障診斷[J];機(jī)械工程與自動化;2010年03期

8 段向陽;王永生;蘇永生;;基于奇異值分解的信號特征提取方法研究[J];振動與沖擊;2009年11期

9 左來;;基于小波包分析和LS-SVM的柴油機(jī)故障診斷方法[J];計算機(jī)測量與控制;2009年11期

10 石丁丁;潘宏俠;;蟻群算法在電機(jī)故障診斷中的應(yīng)用[J];大電機(jī)技術(shù);2009年01期

，

本文編號：758107