FFNN在柴油机燃油系统故障诊断中的应用

论文摘要

柴油机是结构复杂、运动部件多、多种干扰激励源的系统,柴油发动机故障征兆与故障之间关系(例如燃油压力波形与燃油系统故障之间的关系)是非线性的,且具有不确定性,同时恶劣的工作环境容易导致信号失真等等,这些原因导致难以对柴油机故障诊断作出准确判断。然而,人工神经网络技术为柴油机进行故障诊断提供了一种新的解决途径,可以成为进行柴油机故障诊断的重要工具。人工神经网络具有输入输出非线性映射和并行处理等特点,特别是其高度的自适应和自学习能力,可以通过学习解决非线性映射问题,从而使其成为柴油机故障诊断的一种有效方法和手段。而前馈型神经网络(Feed Forward Neural Networks,FFNN)是各个领域中应用最广泛的一类网络,如BP(Back Propagation)、RBF(Radial Basis Function)神经网络。其中BP有一些不足之处,存在训练次数多使得学习效率低收敛速度慢等问题。为此,本文结合添加动量项和自适应学习率两种方法对BP算法进行改进。尽管如此,BP神经网络本身固有的问题会依然存在。而RBF神经网络隐层由于采用具有局部接受域性质的非线性函数,不是如同BP网络的隐层激活函数一样在输入空间的无限大区域内非零,因此可以完全避免BP网络的不足之处。实验证明,改进BP神经网络的性能可以得到有效地改善,并将其运用于柴油机燃油系统故障诊断,预测故障效果较好;而RBF神经网络只需合理地选取中心就可以达到BP算法的目的,学习速率高收敛速度快,且收敛过程不会像BP神经网络那样出现剧烈的振荡,同时也能够很好地诊断出柴油机燃油系统故障。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景及意义
• 1.2 柴油机故障诊断技术的研究现状及发展趋势
• 1.2.1 柴油机故障诊断技术国内外研究现状
• 1.2.2 柴油机故障诊断技术难点
• 1.2.3 柴油机故障诊断技术的发展趋势
• 1.2.4 神经网络的发展与其在故障诊断中的应用
• 1.3 本文主要研究内容
• 2 神经网络理论基础
• 2.1 神经网络的基本概述
• 2.1.1 神经网络的基本概念
• 2.1.2 神经网络的基本特点与功能
• 2.1.3 神经网络的应用领域
• 2.2 人工神经元模型
• 2.2.1 人工神经元的数学模型
• 2.2.2 神经元的变换函数
• 2.2.3 人工神经网路模型
• 2.3 神经网络学习
• 2.3.1 学习方式
• 2.3.2 学习规则
• 2.4 本章小结
• 3 神经网络故障诊断模型及其算法设计
• 3.1 基于神经网络的故障诊断模型建模技术
• 3.2 BP神经网络
• 3.2.1 BP算法的基本思想
• 3.2.2 BP网络模型
• 3.2.3 BP学习算法
• 3.2.4 BP算法的局限性
• 3.2.5 BP算法的改进
• 3.2.6 本文采用的改进方法
• 3.3 ART网络
• 3.4 RBF神经网络
• 3.4.1 RBF神经网络概述
• 3.4.2 RBF网络结构和算法
• 3.5 本章小结
• 4 基于神经网络的柴油机燃油系故障诊断实例
• 4.1 基于神经网络的柴油机故障诊断过程
• 4.2 BP神经网络在柴油机燃油系故障诊断中的应用实例
• 4.2.1 BP神经网络的设计
• 4.2.2 改进 BP网络学习训练
• 4.2.3 改进 BP神经网络学习结果
• 4.2.4 改进 BP神经网络测试
• 4.3 RBF神经网络在柴油机燃油系故障诊断中的应用实例
• 4.3.1 RBF神经网络设计
• 4.3.2 RBF神经网络学习训练
• 4.3.3 RBF神经网络测试
• 4.4 本章小结
• 5 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢