本文關(guān)鍵詞：基于粒子濾波與支持向量機的柴油機故障診斷，由筆耕文化傳播整理發(fā)布。

【摘要】：目前機械設(shè)備已經(jīng)向著性能高、效率高、可靠性好的方向發(fā)展，而柴油機作為機械設(shè)備的重要組成部分，它的工作狀態(tài)正常與否和整個系統(tǒng)的運行密切相關(guān)，因此對其進行狀態(tài)監(jiān)測、故障診斷至關(guān)重要。但是在柴油機故障診斷信號處理初期也會存在問題，采集到的振動信號里夾雜著大量的噪聲，覆蓋了一部分有用信號，不能準確的識別故障，因此需要對采集到的信號進行降噪處理。 本文研究的內(nèi)容主要包括：首先對柴油機的結(jié)構(gòu)、故障產(chǎn)生的原因、故障機理進行研究分析。然后介紹粒子濾波的算法并將其應(yīng)用于柴油機振動信號的降噪處理，采用局域均值分解（LMD）方法對柴油機原始的振動信號進行分解；將分解得到的每個PF分量與原始的振動信號進行相關(guān)性分析，提取出較小相關(guān)系數(shù)對應(yīng)的“虛假分量”，進而剔除“虛假分量”并對原始信號進行重構(gòu)；利用重構(gòu)后的信號建立AR模型，AR模型的系數(shù)作為粒子濾波狀態(tài)方程的系數(shù)，小波變換閾值提取的噪聲信號用在粒子濾波的觀測方程中，利用觀測方程和狀態(tài)方程對原始信號進行估計得到降噪后信號；提取小波包能量譜的相對能量作為故障診斷的特征量。 由于支持向量機在解決小樣本、非線性、高維數(shù)的模式識別過程中具有獨特的優(yōu)勢，因此本文用支持向量機對提取出的特征量進行故障識別。結(jié)果表明，該方法能夠有效的識別故障，，可以解決柴油機的故障診斷問題。
【關(guān)鍵詞】：柴油機 粒子濾波 局域均值分解 支持向量機
【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】：2014
【分類號】：TK42;TH165.3
【目錄】：

• 摘要4-5
• Abstract5-7
• 目錄7-10
• 1 緒論10-16
• 1.1 本課題研究背景和意義10-11
• 1.2 粒子濾波國內(nèi)外研究現(xiàn)狀11-12
• 1.3 柴油機故障診斷國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢12-15
• 1.3.1 柴油機國內(nèi)外的研究現(xiàn)狀12-14
• 1.3.2 柴油機故障診斷技術(shù)的發(fā)展趨勢14-15
• 1.4 論文結(jié)構(gòu)安排15-16
• 2 柴油機故障診斷16-20
• 2.1 柴油機主要結(jié)構(gòu)16
• 2.2 柴油機故障分類及故障產(chǎn)生的原因16-18
• 2.3 柴油機故障機理研究18
• 2.4 柴油機故障診斷的難點18-19
• 2.5 本章總結(jié)19-20
• 3 粒子濾波理論20-32
• 3.1 狀態(tài)空間模型20
• 3.2 貝葉斯理論20-21
• 3.3 粒子濾波21-24
• 3.3.1 蒙特卡羅積分21-22
• 3.3.2 序列重要性采樣（SIS）22-23
• 3.3.3 重采樣23
• 3.3.4 粒子濾波的基本算法23-24
• 3.4 粒子濾波改進算法24-27
• 3.4.1 重要性密度函數(shù)24-25
• 3.4.2 輔助粒子濾波25-26
• 3.4.3 高斯粒子濾波26-27
• 3.5 粒子濾波算法仿真27-30
• 3.5.1 粒子濾波的狀態(tài)估計仿真27-29
• 3.5.2 粒子濾波的降噪仿真29-30
• 3.6 本章小結(jié)30-32
• 4 柴油機故障診斷實驗及振動信號處理32-49
• 4.1 柴油機實驗設(shè)計32-34
• 4.1.1 柴油機的系統(tǒng)組成32-33
• 4.1.2 實驗儀器的選擇33
• 4.1.3 實驗測點的布置33-34
• 4.2 實驗幾種故障的設(shè)置34-35
• 4.3 本文實驗步驟35-36
• 4.4 柴油機振動信號 AR 模型建立36-48
• 4.4.1 柴油機振動信號預(yù)處理36-40
• 4.4.2 振動信號系統(tǒng)的辨識40
• 4.4.3 柴油機系統(tǒng) AR 模型的確定40-42
• 4.4.4 系統(tǒng)模型的參數(shù)估計和定階42-45
• 4.4.5 柴油機粒子濾波降噪45-48
• 4.5 本章小結(jié)48-49
• 5 基于支持向量機的故障識別49-63
• 5.1 小波包能量譜的特征值提取49-52
• 5.1.1 小波包能量特征值提取原理49-50
• 5.1.2 小波包能量譜分析50-52
• 5.2 支持向量機基本理論52-57
• 5.2.1 支持向量機原理52
• 5.2.2 線性可分支持向量機52-55
• 5.2.3 非線性支持向量機55-57
• 5.3 支持向量機的故障診斷57-60
• 5.3.1 支持向量機的模式識別57-59
• 5.3.2 支持向量機的殘差生成59
• 5.3.3 支持向量機的故障預(yù)測59-60
• 5.4 樣本數(shù)據(jù)及支持向量機的故障分類60-62
• 5.5 本章小結(jié)62-63
• 6 總結(jié)與展望63-65
• 6.1 總結(jié)63
• 6.2 展望63-65
• 參考文獻65-70
• 碩士研究生在讀期間發(fā)表論文及研究成果70-71
• 致謝71-72

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 齊曉慧;田慶民;董海瑞;;基于Matlab系統(tǒng)辨識工具箱的系統(tǒng)建模[J];兵工自動化;2006年10期

2 曲曉慧;鄭利慶;安鋼;;基于粗糙集理論的機械狀態(tài)監(jiān)測與故障診斷[J];測試技術(shù)學(xué)報;2009年02期

3 曹龍漢,曹長修,孫穎楷,景有泉,郭振;柴油機故障診斷技術(shù)的現(xiàn)狀及展望[J];重慶大學(xué)學(xué)報(自然科學(xué)版);2001年06期

4 唐友懷;張海濤;羅珊;姜U

本文編號：297596