车辆状态监测与故障诊断新方法研究

论文摘要

作为国民经济的支柱产业,汽车工业的发展受到了世界各国的高度重视,激烈的市场竞争促进汽车生产和研发水平不断提高。车辆系统结构、功能日趋复杂,车辆故障种类也日益多样化,这些都对汽车故障诊断和监控技术提出了更高要求。本文以汽车最关键部件—发动机为研究对象,在分析汽车发动机故障诊断研究现状及存在问题的基础上,重点研究其状态监测和故障诊断的理论和方法,包括信号采集、信号处理、神经网络、模糊推理系统、信息融合理论、车上网络通信技术以及虚拟仪器等技术。在此研究基础上提出并设计了一种综合上述理论和技术方法的发动机综合故障诊断测试平台,解决了传统发动机故障诊断方法中存在的一些问题。研究的主要内容包括以下几部分：（1）在故障诊断特征提取方法方面,针对于发动机缸体采集的振动信号,研究时域分析、频域分析及小波变换等三种故障信号特征提取方法。对于利用振动信号进行发动机机械故障诊断存在的问题和现代汽车自诊断系统只适用于对车辆电控单元故障诊断的局限性,确定以发动机多种运行状态参数作为故障诊断模型输入特征向量。提出并设计了基于CAN总线和SAE J1939协议的发动机在线故障诊断系统,完成系统软硬件的设计,实现诊断信息提取和传输。（2）在故障诊断技术方法方面,着重研究了三种典型神经网络（BP网络、RBF网络和PNN网络）及自适应神经模糊推理系统（ANFIS）的基本原理、模型结构和算法设计。针对于BP网络进行了多种算法的改进研究,并对相应的改进结果进行了对比分析,提出了合理选择这些算法的指导思想。针对不同的特征向量提取方式（频域分析、小波分析、发动机运行状态参数）,分别建立发动机神经网络及ANFIS故障诊断模型。针对发动机运行状态参数故障诊断特征向量存在较高相关性的问题,应用主成分分析法实现降维和去相关,确定能够表征故障的主要特征状态参数。通过诊断结果比较分析,选取和确定每种特征提取方式下的较优推理诊断模型。（3）建立了适用于发动机故障诊断的信息融合结构模型。对发动机故障诊断的多源信息,采用主成分分析进行特征级融合,采用D-S证据理论进行决策级融合。针对D-S证据理论在信息融合过程中存在的对高冲突证据失效问题,提出一种改进的D-S融合方案,将由BP、RBF、ANIFS模型获得的发动机故障诊断结果进行融合,能够有效解决失效问题,提高诊断结果准确率、确定度和实时性。（4）根据论文理论研究成果,研发了一套完整发动机状态监测与故障诊断综合系统,利用该系统在发动机试验台架上分别完成了发动机无负荷测功实验、基于发动机振动信号的故障诊断实验和基于发动机运行状态参数的故障诊断实验,实现了对论文提出的故障特征提取和诊断理论方法的全面验证。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 课题研究的意义
• 1.2 发动机状态监测与故障诊断研究概述
• 1.2.1 设备状态监测与故障诊断基本概念
• 1.2.2 故障特征提取分析方法
• 1.2.3 人工智能理论在发动机故障诊断中的应用
• 1.2.4 诊断系统开发平台
• 1.3 国内外研究现状、存在的问题及发展趋势
• 1.3.1 发动机诊断技术的研究现状
• 1.3.2 汽车发动机故障诊断存在的问题
• 1.3.3 发展趋势
• 1.4 论文研究内容和创新点
• 1.4.1 论文研究内容
• 1.4.2 论文创新点
• 第2章 故障诊断特征提取方法和在线诊断系统构建
• 2.1 引言
• 2.2 基于机体振动信号的故障特征提取方法
• 2.2.1 时域特征提取
• 2.2.2 频域特征选择
• 2.2.3 小波分析特征提取
• 2.3 基于发动机运行状态参数的故障提取方法研究
• 2.3.1 电控发动机工作原理
• 2.3.2 电控发动机常见故障及排除方法
• 2.3.3 自动变速器组成及工作原理
• 2.4 基于CAN总线的在线故障诊断系统设计
• 2.4.1 CAN总线概述
• 2.4.2 CAN总线的主要特点
• 2.4.3 系统结构及实现原理
• 2.4.4 CAN总线结构在汽车综合故障诊断中应用的意义
• 2.4.5 基于SAE J1939协议的发动机控制器CAN总线功能分析
• 2.4.6 通过CAN网络进行诊断数据共享
• 2.5 本章小结
• 第3章 神经网络技术在车辆故障诊断中的应用研究
• 3.1 引言
• 3.2 PCA（主成分分析）及其在发动机运行状态参数诊断向量建立过程中的应用
• 3.2.1 PCA原理
• 3.2.2 PCA的贡献率
• 3.2.3 发动机性能状态故障诊断模型描述
• 3.2.4 应用PCA方法减少故障诊断输入向量维数
• 3.3 基于神经网络的发动机故障诊断研究
• 3.3.1 基于神经网络诊断的发动机故障诊断模型的数学描述
• 3.3.2 神经网络模型的输入量和输出量的定义
• 3.4 BP网络学习算法及其故障诊断模型
• 3.4.1 BP神经网络故障诊断算法步骤
• 3.4.2 以特征频带能量值为输入值的BP模型
• 3.4.3 以区间小波包分解方法提取特征向量的BP模型
• 3.4.4 以发动机运行状态参数值为特征向量的PCA-BP模型
• 3.5 BP算法的改进对发动机故障诊断收敛特性的影响研究
• 3.6 隐层神经元数目对故障诊断收敛特性的影响研究
• 3.7 基于径向基（RBF）神经网络的发动机故障诊断研究
• 3.7.1 径向基函数（RBF）神经网络模型和算法实现
• 3.7.2 径向基（RBF）网络的发动机故障诊断模型及结果
• 3.8 基于概率神经网络（PNN）的发动机故障诊断研究
• 3.8.1 概率神经网络（PNN）模型和算法实现
• 3.8.2 概率神经网络（PNN）的发动机故障诊断模型及结果
• 3.9 不同类型神经网络对发动机故障诊断结果的比较
• 3.10 本章小结
• 第4章 基于自适应神经模糊推理系统的发动机故障诊断研究
• 4.1 引言
• 4.2 基于自适应神经模糊推理系统的发动机故障诊断模型
• 4.2.1 自适应神经模糊推理系统原理
• 4.2.2 参数优化
• 4.2.3 减法聚类
• 4.3 故障诊断结果
• 4.3.1 仿真试验
• 4.3.2 抗噪能力试验研究
• 4.4 推理诊断模型选取
• 4.5 本章小结
• 第5章 基于信息融合的发动机故障诊断研究
• 5.1 引言
• 5.2 信息融合的基本原理和层次结构
• 5.2.1 信息融合的基本原理
• 5.2.2 信息融合的层次结构
• 5.3 发动机监测与诊断的信息参数
• 5.3.1 发动机的监测信息
• 5.3.2 发动机信息融合的系统结构和功能模型
• 5.3.3 特征级融合简述
• 5.4 基于D-S证据理论的决策级融合故障诊断方法研究
• 5.4.1 D-S证据理论
• 5.4.2 基于D-S证据理论的发动机信息融合算例分析
• 5.5 基于D-S证据理论的发动机故障诊断结果分析
• 5.6 D-S组合规则存在的问题及改进措施
• 5.6.1 Dempster组合规则失效的情况
• 5.6.2 D-S理论失效的处理方法
• 5.6.3 基于改进融合方法的实例验证
• 5.6.4 基于改进融合方法的信息融合方案
• 5.7 本章小结
• 第6章 发动机状态监测与故障诊断系统开发及相关实验研究
• 6.1 引言
• 6.2 虚拟仪器及DasyLab
• 6.2.1 虚拟仪器概念
• 6.2.2 虚拟仪器基本功能及工作原理
• 6.2.3 虚拟仪器系统的构成
• 6.2.4 DasyLab虚拟系统开发平台简介
• 6.3 发动机故障诊断测试平台总体设计
• 6.4 发动机无负荷测功子系统设计
• 6.4.1 信号测试需求分析
• 6.4.2 基于虚拟仪器技术的系统结构
• 6.4.3 测试系统硬件设计
• 6.4.4 测试系统软件设计
• 6.5 发动机无负荷测功实验方案设计
• 6.6 发动机振动信号功率测试结果分析
• 6.6.1 对比分析各通道信号
• 6.6.2 利用缸盖振动信号对发动机的测试分析
• 6.6.3 发动机振动周期转速的提取
• 6.6.4 分批估计数据融合方法
• 6.6.5 发动机的功率检测结果分析
• 6.7 发动机状态监测与故障诊断综合系统设计开发
• 6.7.1 综合系统硬件平台设计
• 6.7.2 综合系统软件结构设计与工作流程
• 6.7.3 软件功能模块介绍
• 6.8 基于发动机振动信号的故障诊断实验研究
• 6.8.1 实验测试
• 6.8.2 信号采集与特征提取
• 6.8.3 基于信息融合的故障诊断
• 6.9 基于CAN总线、发动机运行状态参数的故障诊断实验研究
• 6.9.1 实验测试
• 6.9.2 数据采集与特征提取
• 6.9.3 基于信息融合的故障诊断
• 6.9.4 故障原因分析及对策
• 6.10 本章小结
• 第7章 结论与展望
• 7.1 研究结论
• 7.2 进一步研究展望
• 参考文献
• 作者攻读博士学位期间所发表的学术论文
• 致谢
• 作者简介