基于声强知识与神经网络融合技术的发动机故障诊断研究

论文摘要

故障诊断是一门多学科交叉的综合性学科，随着故障诊断技术的不断发展和完善，其在现代工业化生产中发挥着越来越重要的作用。开展发动机智能化故障诊断的理论和应用研究将为发动机的生产、设计和维护提供参考和技术支持，具有重要的现实意义。本文在充分考察国内外发动机故障诊断技术和应用现状的基础上，深入开展了基于声强知识和神经网络融合的发动机智能化故障诊断研究，其主要研究内容包括：一，根据声强测试原理和虚拟仪器技术，提出了计算频域和时域声强的直接获取法，在此基础上建立了发动机声强自动测试系统，描述了利用该系统获取发动机声强信号的方法和过程。二，利用频域和时域信号分析法提取发动机故障诊断特征信息，并对发动机典型异响故障的近场声强特征进行了详细研究。三，对发动机声强知识融合技术进行了深入研究，将来自不同知识源的知识信息进行处理并协同利用，在此基础上利用UML语言建立了发动机故障诊断知识库。四，基于模块化神经网络，组建了发动机故障诊断网络。从工作、训练和学习三个方面实现了诊断网络与声强知识的融合诊断。五，通过分析发动机故障诊断模型的任务分类及其映射模型，构建了发动机故障诊断模型框架，在此基础上以信息流集成的方式确定了基于声强知识与神经网络融合的发动机故障诊断模型。六，通过分析发动机故障诊断模型的各项运行参数，建立了包括效率评估、精度评估和可靠性评估在内的发动机故障诊断模型的效能评估体系。七，根据发动机故障诊断模型，对基于声强知识与神经网络融合的发动机故障诊断实施过程进行了继续研究，通过应用举例验证了本项研究的合理性。本文通过发动机声强知识与模块化神经网络的有效融合，实现了发动机工作状态的非接触监测、在线诊断和学习。通过现场测试，验证了发动机故障诊断系统能有效识别所学习的发动机工作状态，确定故障部位和性质，寻找故障产生原因。本文的研究方法为建立更为完善的发动机智能化故障诊断系统提供了新的途径。

论文目录

• 摘要
• ABSTRACT
• 1 概述
• 1.1 课题的研究背景和目的
• 1.1.1 课题的研究背景
• 1.1.2 课题的研究目的
• 1.2 课题的研究意义和研究目标
• 1.2.1 课题的研究意义
• 1.2.2 课题研究拟达到的目标
• 1.3 相关技术理论的国内外研究现状
• 1.3.1 声强测试技术研究及应用现状
• 1.3.2 人工神经网络理论研究及应用现状
• 1.3.3 知识工程原理及应用现状
• 1.3.4 发动机故障诊断方法及研究现状
• 1.4 论文主要研究内容
• 1.5 论文布局
• 2 发动机声强信号的获取与分析
• 2.1 发动机表面噪声分析与声学区域划分
• 2.1.1 发动机表面噪声分析
• 2.1.2 发动机表面声学区域划分方法
• 2.2 发动机声强信号获取原理及方法
• 2.2.1 声强概念与获取原理
• 2.2.2 双传声器法声强信号获取分类
• 2.2.3 直接法获取发动机声强信号
• 2.3 基于虚拟仪器技术的发动机声强自动测试系统
• 2.3.1 发动机声强自动测试系统的需求
• 2.3.2 发动机声强自动测试系统组成
• 2.3.3 发动机声强自动测试系统的硬件
• 2.3.4 发动机声强自动测试系统的软件
• 2.4 发动机声强信号获取过程
• 2.5 发动机声强信号获取的精度控制
• 2.6 发动机声强信号的分析方法
• 2.6.1 发动机声强信号的频域分析方法
• 2.6.2 发动机非平稳过程的声强信号时域分析方法
• 2.7 发动机典型异响故障的声强信号分析
• 2.7.1 发动机典型异响故障机理
• 2.7.2 发动机典型异响故障声强信号的统计分析
• 2.7.3 发动机声强信号的相似性和区分度
• 2.7.4 发动机典型异响故障的频域声强信号分析
• 2.7.5 发动机典型异响故障的时域声强信号分析
• 2.7.6 发动机故障诊断的声强信号解析
• 2.8 本章小结
• 3 发动机故障诊断的知识融合技术研究
• 3.1 知识融合技术的原则
• 3.1.1 声强知识
• 3.1.2 声强知识融合技术实施原则
• 3.2 声强知识融合技术中的知识级别与层次
• 3.3 声强知识融合技术的数据层融合
• 3.3.1 发动机频域声强特征的提取
• 3.3.2 发动机时域声强特征的提取
• 3.4 声强知识的特征层融合
• 3.4.1 声强知识的获取
• 3.4.2 声强知识的组织
• 3.5 声强知识的决策层融合
• 3.5.1 发动机故障诊断知识库的建立
• 3.5.2 发动机故障诊断知识库的管理
• 3.6 本章小结
• 4 基于模块化神经网络的发动机故障诊断建模
• 4.1 模块化神经网络的含义
• 4.2 模块化神经网络的理论基础
• 4.3 模块化神经网络架构
• 4.3.1 模块化神经网络结构
• 4.3.2 网络的输入特征
• 4.3.3 网络的输出特征
• 4.4 任务分解模块
• 4.4.1 任务分解原则
• 4.4.2 任务分解方法
• 4.4.3 任务分解模块功能
• 4.5 子任务模块
• 4.5.1 子任务模块结构
• 4.5.2 子任务模块的输出特征
• 4.5.3 任务子网络结构与功能
• 4.6 任务合成模块
• 4.6.1 任务合成模块的功能
• 4.6.2 任务合成模块的识别方法
• 4.6.3 任务合成模块的工作逻辑
• 4.7 声强知识与模块化神经网络的融合诊断
• 4.7.1 声强知识与模块化神经网络的融合工作
• 4.7.2 声强知识与模块化神经网络的融合训练
• 4.7.3 声强知识与模块化神经网络的融合学习
• 4.8 本章小结
• 5 基于声强知识与神经网络融合的发动机故障诊断模型
• 5.1 发动机故障诊断模型需求分析
• 5.2 基于声强知识与神经网络融合的发动机故障诊断模型结构
• 5.2.1 发动机故障诊断模型框架
• 5.2.2 发动机故障诊断模型的子系统功能
• 5.3 发动机故障诊断的任务分类及映射模型
• 5.3.1 工作任务及其映射模型
• 5.3.2 学习任务及其映射模型
• 5.3.3 训练任务及其映射模型
• 5.4 发动机故障诊断模型的信息流
• 5.4.1 发动机故障诊断模型的信息流组成
• 5.4.2 发动机故障诊断模型的工作信息流
• 5.4.3 发动机故障诊断模型的学习信息流
• 5.4.4 发动机故障诊断模型的训练信息流
• 5.5 发动机故障诊断模型的信息集成
• 5.6 本章小结
• 6 发动机故障诊断模型的效能评估
• 6.1 发动机故障诊断模型的效能评估体系
• 6.2 发动机故障诊断模型的效率评估
• 6.2.1 诊断效率
• 6.2.2 诊断效率对诊断网络的反馈
• 6.2.3 发动机故障诊断模型执行速率
• 6.3 发动机故障诊断模型的精度评估
• 6.4 发动机故障诊断模型的可靠性评估
• 6.4.1 发动机故障知识库可靠性评估
• 6.4.2 发动机故障诊断网络可靠性评估
• 6.4.3 诊断模型可靠性评估方法
• 6.5 效能评估体系工作流程
• 6.6 本章小结
• 7 基于声强知识与模块化神经网络融合的发动机故障诊断实施
• 7.1 发动机故障诊断的实施需求
• 7.2 发动机故障诊断系统的结构化设计
• 7.2.1 发动机故障诊断系统数据流分析
• 7.2.2 发动机故障诊断系统架构设计
• 7.3 发动机故障诊断软件前面板设计
• 7.4 发动机故障诊断系统实施过程中的关键技术
• 7.4.1 数据采集
• 7.4.2 声强分析
• 7.4.3 Labview访问发动机故障知识库
• 7.4.4 Labview与Matlab混合编程实现神经网络建模
• 7.5 发动机故障诊断系统应用
• 7.5.1 发动机声强信号测试方法
• 7.5.2 发动机声强信号测试步骤
• 7.5.3 发动机声强测试结果
• 7.5.4 发动机故障诊断系统的训练
• 7.5.5 发动机故障诊断系统的工作
• 7.5.6 发动机故障诊断系统的学习
• 7.6 发动机故障诊断系统的性能测试
• 7.7 本章小结
• 8 论文总结
• 8.1 结论
• 8.2 进一步工作
• 参考文献
• 附录A