本文選題：故障診斷 + 特征提取　； 參考：《哈爾濱理工大學(xué)》2017年碩士論文

【摘要】：發(fā)動機(jī)設(shè)備屬于典型的多層次系統(tǒng),各部件之間互相影響關(guān)系復(fù)雜,其工作狀態(tài)往往受當(dāng)前環(huán)境、運行條件等諸多不確定性因素的影響,這些復(fù)雜特性決定了發(fā)動機(jī)故障存在多樣性和模糊性的特點,這使得傳統(tǒng)的診斷方法故障識別率較低,對于復(fù)雜情況往往需拆機(jī)檢查,進(jìn)一步增加了停機(jī)造成的經(jīng)濟(jì)損失。因此,在發(fā)動機(jī)不解體的前提研究一種快速、準(zhǔn)確地故障診斷方法變得十分必要。針對發(fā)動機(jī)故障檢測的難點,本文將信息融合技術(shù)應(yīng)用于發(fā)動機(jī)的故障診斷領(lǐng)域,給出了一種將人工神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論相結(jié)合的決策級信息融合方法,該方法主要由故障信號的特征提取、故障的初級診斷和故障的決策級融合診斷等部分構(gòu)成。對于故障信號的特征提取部分,本文提出了一種基于小波細(xì)節(jié)系數(shù)自相關(guān)分析的消噪方法,借助Mallat小波將原始信號進(jìn)行噪聲分離,更大程度的保留了故障信號中的有用信息,為故障診斷的時頻特征提取奠定了基礎(chǔ)。為了更全面準(zhǔn)確診斷故障,本文還引入了發(fā)動機(jī)瞬時轉(zhuǎn)速和氣缸壓力信號特征,為后續(xù)診斷提供了三種不同的特征矢量,以便于進(jìn)行融合診斷。在故障的初級診斷階段,分析了傳統(tǒng)BP網(wǎng)絡(luò)的局限性和不足,對其逐一進(jìn)行改進(jìn)優(yōu)化,并通過發(fā)動機(jī)故障實例驗證了改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)在故障診斷中的有效性。為了進(jìn)一步提高故障診斷準(zhǔn)確度,在上述研究的基礎(chǔ)上,本文采用D-S證據(jù)理論對局部診斷結(jié)果進(jìn)行決策級融合,并針對融合過程中存在的證據(jù)沖突問題,提出了加權(quán)優(yōu)化方法。最后,本文將改進(jìn)BP網(wǎng)絡(luò)與加權(quán)D-S證據(jù)理論相結(jié)合的數(shù)據(jù)融合方法應(yīng)用于發(fā)動機(jī)的故障診斷中,實驗結(jié)果表明,該方法能夠?qū)Πl(fā)動機(jī)燃油系統(tǒng)中的燃油泵失靈、噴油器損壞和燃油壓力調(diào)節(jié)器損壞等故障進(jìn)行有效診斷,得出的故障診斷結(jié)果與實際故障相吻合,充分驗證了該方法在發(fā)動機(jī)故障診斷中的可行性。
[Abstract]:Engine equipment belongs to a typical multi-level system, and its working state is often affected by many uncertain factors, such as current environment, operating conditions and so on. These complex characteristics determine the diversity and fuzziness of engine faults, which make the fault identification rate of traditional diagnosis methods low. For complex cases, it is often necessary to remove the machine to check, which further increases the economic losses caused by shutdown. Therefore, it is necessary to study a fast and accurate fault diagnosis method on the premise that the engine does not disintegrate. Aiming at the difficulty of engine fault detection, this paper applies information fusion technology to the field of engine fault diagnosis, and presents a decision level information fusion method combining artificial neural network and D-S evidence theory. This method is mainly composed of fault signal feature extraction, fault primary diagnosis and fault decision level fusion diagnosis. For the feature extraction part of the fault signal, this paper proposes a denoising method based on the wavelet detail coefficient autocorrelation analysis. The original signal is separated by Mallat wavelet, and the useful information in the fault signal is retained to a greater extent. It lays a foundation for time-frequency feature extraction in fault diagnosis. In order to diagnose the fault more comprehensively and accurately, this paper also introduces the characteristics of engine instantaneous speed and cylinder pressure signal, which provides three different feature vectors for subsequent diagnosis to facilitate fusion diagnosis. In the primary fault diagnosis stage, the limitations and shortcomings of the traditional BP neural network are analyzed, and the improved BP neural network is improved and optimized one by one. The effectiveness of the improved BP neural network in fault diagnosis is verified by an engine fault example. In order to further improve the accuracy of fault diagnosis, based on the above research, the D-S evidence theory is used to fuse the local diagnosis results at decision level, and a weighted optimization method is proposed to solve the problem of evidence conflict in the process of fault diagnosis. Finally, this paper applies the improved BP network and the weighted D-S evidence theory to the engine fault diagnosis. The experimental results show that the method can deal with the failure of the fuel pump in the engine fuel system. The damage of injector and the damage of fuel pressure regulator are effectively diagnosed. The result of fault diagnosis is in agreement with the actual fault, which fully verifies the feasibility of this method in engine fault diagnosis.
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP202;TK407

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉凱;;汽車發(fā)動機(jī)故障診斷系統(tǒng)的軟件設(shè)計與實現(xiàn)研究[J];通訊世界;2016年23期

2 李進(jìn);張萌;;基于多傳感器信息融合的電力設(shè)備故障診斷方法[J];電子世界;2016年22期

3 沈杰;;基于信息融合的發(fā)動機(jī)機(jī)械故障診斷方法分析[J];科技展望;2016年11期

4 蔣勇;;基于一致性融合和神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)氣路系統(tǒng)故障診斷方法[J];航空維修與工程;2016年04期

5 崔文斌;葉志鋒;彭利方;;基于信息融合遺傳算法的航空發(fā)動機(jī)氣路故障診斷[J];航空動力學(xué)報;2015年05期

6 王琪;程彬;杜娟;徐國清;;一種改進(jìn)的小波閾值圖像去噪方法[J];計算機(jī)與現(xiàn)代化;2015年04期

7 張成軍;陰妍;鮑久圣;紀(jì)洋洋;;多源信息融合故障診斷方法研究進(jìn)展[J];河北科技大學(xué)學(xué)報;2014年03期

8 司景萍;郭麗娜;牛家驊;;基于小波包神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)振動信號分析[J];振動.測試與診斷;2013年05期

9 張永棟;孟國強(qiáng);;基于信息融合的發(fā)動機(jī)機(jī)械故障診斷方法探討[J];廣東交通職業(yè)技術(shù)學(xué)院學(xué)報;2013年03期

10 陳曦;廖明夫;王儼剴;;航空發(fā)動機(jī)故障融合診斷研究[J];航空發(fā)動機(jī);2013年04期

相關(guān)博士學(xué)位論文 前6條

1 文妍;基于多源信息融合的數(shù)控機(jī)床進(jìn)給系統(tǒng)機(jī)械故障診斷研究[D];青島理工大學(xué);2016年

2 馬文朋;基于振動分析的民航發(fā)動機(jī)轉(zhuǎn)子系統(tǒng)故障診斷研究[D];天津大學(xué);2015年

3 陳暉;基于多源信息融合的大型水壓機(jī)故障診斷與狀態(tài)評估研究[D];中南大學(xué);2012年

4 許同樂;基于多路傳感器信息融合的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D];北京郵電大學(xué);2012年

5 劉永建;基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的民機(jī)發(fā)動機(jī)故障診斷與性能預(yù)測研究[D];南京航空航天大學(xué);2012年

6 吳文杰;基于信息融合的航空發(fā)動機(jī)故障診斷方法[D];電子科技大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 辛向志;基于信息融合技術(shù)的滾動軸承故障識別及診斷[D];內(nèi)蒙古科技大學(xué);2015年

2 彭毅;基于振動和油液信息融合的發(fā)動機(jī)故障診斷方法研究[D];廣西大學(xué);2014年

3 曹宇翔;基于核聚類與信息融合的齒輪故障診斷技術(shù)研究[D];湖南科技大學(xué);2014年

4 胡秀潔;基于信息融合的航空電子設(shè)備故障診斷研究[D];鄭州大學(xué);2014年

5 溫迪;基于D-S證據(jù)理論的航空發(fā)動機(jī)氣路故障信息融合與FMECA分析[D];電子科技大學(xué);2014年

6 宋漢;基于信息融合技術(shù)的航空發(fā)動機(jī)故障診斷研究[D];中南大學(xué);2013年

7 由麗媛;基于信息融合的柴油機(jī)故障診斷技術(shù)研究[D];大連海事大學(xué);2012年

8 韓慧勇;基于多源信息融合的柴油機(jī)故障診斷研究[D];中北大學(xué);2012年

9 蔣大偉;基于多傳感器信息融合的柴油機(jī)配氣機(jī)構(gòu)故障診斷技術(shù)研究[D];哈爾濱工程大學(xué);2012年

10 張偉;基于專家系統(tǒng)的故障診斷在汽車發(fā)動機(jī)上的應(yīng)用[D];太原理工大學(xué);2011年

，

本文編號：1894507