發(fā)布時間：2018-12-29 08:58

【摘要】：目前,柴油機故障診斷已經成為國內外研究的焦點問題。柴油機故障診斷中,可以通過多個傳感器得到不同的故障信息,為了得到較高的故障診斷的精度和可靠性,必須充分利用獲得的故障信息對柴油機進行故障診斷。 本文首先論述了柴油機故障診斷的國內外研究現狀,以及將信息融合技術應用到柴油機故障診斷中的必要性和可行性,對柴油機振動信號進行了機理研究,為實驗的順利進行打下基礎。 為了能夠從多方面反映柴油機的運行狀態(tài),首先采用神經網絡方法對柴油機振動信號及壓力信號進行特征級信息融合,研究了BP神經網絡、RBF神經網絡的原理及算法,并針對RBF神經網絡的不足,提出了一種采用遞階遺傳編碼方案的混合遞階遺傳算法,用該算法優(yōu)化RBF神經網絡的隱含層結構、隱含層中心值、基寬和輸出的線性權值。分別采用這三種方法進行故障診斷,并在Matlab下進行仿真,將診斷結果進行比較,驗證了遺傳算法優(yōu)化的RBF神經網絡具有訓練速度快、精度高的優(yōu)越性。 另外,為了綜合利用多個傳感器獲得的診斷信息,將遺傳算法優(yōu)化的RBF神經網絡和D-S證據理論相結合,針對振動信號和壓力信號,將特征級融合結果構建mass函數,進行決策級融合的柴油機故障診斷,削弱了診斷結果的不確定度,診斷結果更加精確。由于D-S證據理論進行信息融合時,只是簡單地對證據進行組合,本文采用加權證據合成法。當進行多個證據融合時,證據間的沖突程度用證據距離和沖突因子綜合起來表示,之后通過得到的證據間的沖突程度的值確定權重系數,并修正證據基本信任分配函數。然后用D-S規(guī)則進行合成,故障診斷實驗表明了此方法對沖突證據融合的有效性,充分驗證了該方法能夠有效提高故障診斷的準確性和可靠性。
[Abstract]:At present, diesel engine fault diagnosis has become the focus of research at home and abroad. In the fault diagnosis of diesel engine, different fault information can be obtained by multiple sensors. In order to obtain higher accuracy and reliability of fault diagnosis, it is necessary to make full use of the obtained fault information to diagnose the fault of diesel engine. In this paper, the present situation of diesel engine fault diagnosis at home and abroad, the necessity and feasibility of applying information fusion technology to diesel engine fault diagnosis are discussed, and the mechanism of diesel engine vibration signal is studied. To lay a foundation for the smooth progress of the experiment. In order to reflect the running state of diesel engine from many aspects, the characteristic level information fusion of diesel engine vibration signal and pressure signal is carried out by using neural network method, and the principle and algorithm of BP neural network and RBF neural network are studied. Aiming at the deficiency of RBF neural network, a hybrid hierarchical genetic algorithm using hierarchical genetic coding scheme is proposed. The algorithm is used to optimize the structure of hidden layer, the center value of hidden layer, the base width and the linear weight of output of RBF neural network. The three methods are used for fault diagnosis, and the simulation results are carried out under Matlab. The results show that the RBF neural network optimized by genetic algorithm has the advantages of fast training speed and high precision. In addition, in order to synthetically utilize the diagnosis information obtained by multiple sensors, the RBF neural network optimized by genetic algorithm and D-S evidence theory are combined to construct the mass function for vibration signal and pressure signal. The fault diagnosis of diesel engine based on decision level fusion weakens the uncertainty of the diagnosis result and makes the diagnosis more accurate. Since D-S evidence theory is only a simple combination of evidence, the weighted evidence synthesis method is used in this paper. When multiple evidences are fused, the degree of conflict between evidence is expressed by the distance of evidence and the conflict factor, and then the weight coefficient is determined by the value of the degree of conflict between the evidence, and the basic trust distribution function of evidence is modified. Then the D-S rule is used to synthesize and the fault diagnosis experiment shows that this method is effective for conflict evidence fusion and fully proves that the method can effectively improve the accuracy and reliability of fault diagnosis.
【學位授予單位】：大連海事大學
【學位級別】：碩士
【學位授予年份】：2012
【分類號】：TP202;TK428

【相似文獻】

相關期刊論文 前10條

1 郭慶春;孔令軍;史永博;崔文娟;張小永;寇立群;;基于神經網絡的入境旅游人數預測[J];價值工程;2011年25期

2 寧彬;吳釗;周健威;;電子政務績效評價體系研究[J];電腦知識與技術;2011年13期

3 黃蓮花;李光明;;神經網絡數據融合在車用傳感器中的應用[J];裝備制造技術;2011年08期

4 張國光;王林山;;一類時滯遞歸神經網絡的魯棒穩(wěn)定性[J];濱州學院學報;2011年03期

5 周鳴一;程文清;趙建立;;基于神經網絡的程控交換機故障診斷方法研究[J];電腦知識與技術;2011年25期

6 曹婧華;冉彥中;郭金城;;玉米考種系統(tǒng)的設計與實現[J];長春師范學院學報;2011年08期

7 孫海龍;馮超;匙瑞堂;;滾動軸承狀態(tài)監(jiān)測[J];工業(yè)設計;2011年05期

8 李華;曹曉龍;成江榮;;BP神經網絡在軟件項目風險評估中的應用[J];計算機仿真;2011年07期

9 楊鶴年;;機電一體化系統(tǒng)中的智能控制技術[J];煤炭技術;2011年07期

10 許杰;程錦房;何光進;;一種基于艦船磁場的神經網絡識別模型[J];船電技術;2011年09期

相關會議論文 前10條

1 侯艷芳;馮紅梅;;基于神經網絡的調制識別算法的研究[A];武漢(南方九省)電工理論學會第22屆學術年會、河南省電工技術學會年會論文集[C];2010年

2 沈建榮;楊林泉;陳琳;;神經網絡的穩(wěn)定性判據與區(qū)域經濟結構調整[A];系統(tǒng)工程與可持續(xù)發(fā)展戰(zhàn)略——中國系統(tǒng)工程學會第十屆年會論文集[C];1998年

3 石山銘;李富蘭;丁俊麗;;神經網絡的知識獲取[A];全國青年管理科學與系統(tǒng)科學論文集（第1卷）[C];1991年

4 吳清烈;徐南榮;;基于神經網絡的一種多目標決策方法[A];復雜巨系統(tǒng)理論·方法·應用——中國系統(tǒng)工程學會第八屆學術年會論文集[C];1994年

5 李曉鐘;汪培莊;羅承忠;;神經網絡與模糊邏輯[A];中國系統(tǒng)工程學會模糊數學與模糊系統(tǒng)委員會第五屆年會論文選集[C];1990年

6 房育棟;余英林;;高階自組織映射及其學習算法[A];1995年中國控制會議論文集（上）[C];1995年

7 王曉曄;杜朝輝;呂德忠;劉建峰;;神經網絡模糊控制在溫度控制系統(tǒng)中的應用[A];1997中國控制與決策學術年會論文集[C];1997年

8 金龍;吳建生;;基于遺傳算法的神經網絡短期氣候預測模型(摘要)[A];新世紀氣象科技創(chuàng)新與大氣科學發(fā)展——中國氣象學會2003年年會“氣候系統(tǒng)與氣候變化”分會論文集[C];2003年

9 申偉;張元培;;基于MATLAB的自適應神經網絡模糊系統(tǒng)(ANFIS)的應用[A];《制造業(yè)自動化與網絡化制造》學術交流會論文集[C];2004年

10 田艷兵;;BP算法和PSO算法在神經網絡中的研究[A];第二十九屆中國控制會議論文集[C];2010年

相關重要報紙文章 前10條

1 記者 陳青　通訊員 孫國根;揭示神經網絡形成新機制[N];文匯報;2011年

2 于翔;數字神經網絡中的協(xié)同應用[N];網絡世界;2009年

3 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經網絡[N];健康時報;2006年

4 鄒麗梅 陳耀群;江蘇科大神經網絡應用研究通過鑒定[N];中國船舶報;2006年

5 記者 孫剛;“神經網絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報首席記者 任荃　實習生 史博臻;軌交“神經網絡”觸動創(chuàng)新神經[N];文匯報;2011年

7 計算機世界實驗室 韓勖;當布線系統(tǒng)遭遇神經網絡[N];計算機世界;2009年

8 曹建兵 李祖兵 特約記者 何天進 本報記者 于莘明;給導彈植入“神經網絡”[N];科技日報;2005年

9 譚薇;“潮濕計算機”：擁有人類智慧的超級大腦[N];第一財經日報;2010年

10 韓婷婷;ICT強壯奧運“神經網絡”[N];通信產業(yè)報;2007年

相關博士學位論文 前10條

1 劉志祥;深部開采高階段尾砂充填體力學與非線性優(yōu)化設計[D];中南大學;2005年

2 戴雪龍;PET探測器神經網絡定位方法研究[D];中國科學技術大學;2006年

3 馬戎;智能控制技術在煉鋼電弧爐中的應用研究[D];西北工業(yè)大學;2006年

4 文敦偉;面向多智能體和神經網絡的智能控制研究[D];中南大學;2001年

5 吳大宏;基于遺傳算法與神經網絡的橋梁結構健康監(jiān)測系統(tǒng)研究[D];西南交通大學;2003年

6 杜文斌;基于神經網絡的冠心病證候診斷標準與藥效評價模型研究[D];遼寧中醫(yī)學院;2004年

7 熊雪梅;參數化模糊遺傳神經網絡及在植物病害預測的應用[D];南京農業(yè)大學;2004年

8 李智;電站鍋爐燃燒系統(tǒng)優(yōu)化運行與應用研究[D];東北大學;2005年

9 王承;基于神經網絡的模擬電路故障診斷方法研究[D];電子科技大學;2005年

10 譚陽紅;基于小波和神經網絡的大規(guī)模模擬電路故障診斷研究[D];湖南大學;2005年

相關碩士學位論文 前10條

1 由麗媛;基于信息融合的柴油機故障診斷技術研究[D];大連海事大學;2012年

2 楊立儒;基于神經網絡的電路故障診斷的研究與實現[D];解放軍信息工程大學;2010年

3 劉蘭蘭;基于神經網絡和遺傳算法的H型鋼粗軋工藝參數優(yōu)化研究[D];山東大學;2011年

4 田鵬明;基于神經網絡的振動主動控制研究[D];太原理工大學;2012年

5 姜宇;發(fā)動機裂解設備故障診斷技術的研究[D];吉林大學;2012年

6 邢遠凱;基于決策樹和遺傳算法的神經網絡研究及應用[D];浙江大學;2010年

7 高寶建;基于神經網絡的月降水預報模型在洪澤湖的應用研究[D];南京信息工程大學;2012年

8 陳少華;基于Hopfield神經網絡控制系統(tǒng)的研究[D];山東科技大學;2010年

9 來建波;基于神經網絡的路段行程時間預測研究[D];云南大學;2011年

10 閆超;基于BP神經網絡的煤礦深埋硐室軟巖流變參數反演分析[D];安徽理工大學;2011年

，

本文編號：2394621