基于多源信息融合的发动机故障诊断研究

论文摘要

发动机作为一种典型的往复动力机械,结构复杂决定了其故障呈现出复杂性和多样性的特点,运行环境、系统噪声及传感器精度等带来的不确定性因素的影响,导致发动机故障诊断准确率降低,多源信息融合为解决发动机本身结构复杂及这些不确定因素带来的问题提供了一条新的途径。在此背景下,本文研究了基于多源信息融合的发动机故障诊断。本文首先介绍了发动机故障诊断的国内外研究现状及典型方法,以及将多源信息融合技术应用到发动机故障诊断中的必要性和可行性。其次重点描述了多源信息融合的三种典型方法:D-S证据理论、模糊集合理论、人工神经网络。由于传统BP神经网络存在局限性,本文将多种改进方法应用到发动机故障诊断中,将输出结果进行比较,验证了共轭梯度法改进BP神经网络的优越性;为了避免单一传感器带来的信息不准确性,将改进BP神经网络和D-S证据理论相结合进行决策层融合的发动机故障诊断,大大提高了诊断结果的可信度。最后针对D-S证据理论无法解决证据冲突问题,采用加权证据理论;由于主观确定隶属函数具有一定的困难,将改进BP神经网络和模糊集合理论相结合进行决策层融合的故障诊断。对比这几种方法的融合结果,可以看出改进BP神经网络和D-S证据理论相结合的方法诊断结果更加准确,但是计算量比较大。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题的研究背景及意义
• 1.2 发动机故障诊断技术
• 1.2.1 国内外研究现状
• 1.2.2 典型方法
• 1.3 基于多源信息融合的故障诊断技术
• 1.3.1 国内外研究现状
• 1.3.2 典型方法
• 1.4 论文的主要研究内容和结构
• 2 多源信息融合技术
• 2.1 多源信息融合的基本原理
• 2.2 多源信息融合的层次
• 2.3 经典 D-S 证据理论
• 2.3.1 经典 D-S 证据理论的基本概念
• 2.3.2 经典 D-S 证据理论合成法则
• 2.3.3 基本可信度分配函数的构造
• 2.3.4 决策规则
• 2.3.5 决策的基本过程及算例分析
• 2.4 模糊集合理论
• 2.4.1 模糊诊断原理
• 2.4.2 模糊逻辑系统的结构
• 2.4.3 模糊诊断算法
• 2.4.4 模糊诊断原则
• 2.5 人工神经网络
• 2.5.1 BP 神经网络结构
• 2.5.2 BP 网络的学习算法
• 2.6 本章小结
• 3 发动机故障诊断机理
• 3.1 发动机典型故障模式及故障特征
• 3.1.1 发动机典型故障模式
• 3.1.2 发动机故障的特点及性质
• 3.2 发动机动力性能分析
• 3.3 发动机振动诊断系统
• 3.3.1 发动机振动信号的产生
• 3.3.2 发动机振动信号的故障诊断机理
• 3.3.3 发动机振动信号的特性研究
• 3.4 发动机故障诊断中的不确定性
• 3.5 本章小结
• 4 发动机故障诊断实验系统
• 4.1 实验系统的组成
• 4.1.1 系统工作原理
• 4.1.2 测点的选择要求
• 4.2 样本类别及实验步骤
• 4.3 实验结果分析与特征提取
• 4.3.1 振动信号的时域特征参数提取
• 4.3.2 振动信号的频域特征参数提取
• 4.4 本章总结
• 5 基于神经网络和 D-S 理论融合的发动机故障诊断
• 5.1 基于改进 BP 神经网络的发动机故障诊断
• 5.1.1 改进 BP 算法
• 5.1.2 改进 BP 神经网络的设计
• 5.1.3 神经网络的训练
• 5.1.4 系统测试
• 5.1.5 结果分析
• 5.2 基于神经网络和 D-S 证据理论结合的发动机故障诊断
• 5.2.1 神经网络进行局部诊断
• 5.2.2 D-S 证据理论决策层融合诊断
• 5.3 本章小结
• 6 基于加权 D-S 理论和模糊理论的发动机故障诊断
• 6.1 基于加权 D-S 证据理论的发动机故障诊断
• 6.1.1 经典 D-S 证据理论存在的缺陷
• 6.1.2 加权证据理论
• 6.1.3 算例分析
• 6.1.4 加权证据理论在发动机故障诊断中的应用
• 6.2 基于模糊理论决策层融合的发动机故障诊断
• 6.2.1 模糊集合理论与神经网络的比较
• 6.2.2 模糊理论与神经网络的结合
• 6.2.3 基于模糊理论与神经网络结合的发动机故障诊断
• 6.3 本章小结
• 总结与展望
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢