基于BP神经网络的发动机异响模式识别

论文摘要

传统的异响类型诊断方法大多是以领域专家和操作者的经验知识为核心,存在知识获取困难、推理效率低下、自适应能力差等不足。同时由于异响类型征兆和异响类型之间常存在着复杂的非线性关系,使得诊断系统的数学模型很难获取。然而,人工神经网络以其分布式并行处理、自适应、自学习、联想记忆以及非线性映射等优点,为解决这一问题开辟了新途径。本文以JS某型摩托车发动机为研究对象。以连续小波提取发动机声信号的能量特征作为输入特征值,建立相应的BP神经网络运用标准BP算法对几种异响类型进行分类,实现模式识别的目的。然而由于建立的神经网络采用标准BP算法时存在对样本的输入顺序敏感、收敛速度缓慢、易陷入局部极小值等缺陷,为了克服这些不足需对标准BP算法进行改进。本文针对标准BP算法存在的不足,分别采用打乱样本输入顺序、添加附加动量因子、学习率自适应调整和基于Levenberg-Marquardt法进行改进。这几种改进措施分别对应了加动量项BP算法、附加动量—自适应学习率BP算法及基于Levenberg-Marquardt算法,本文对上述三种改进算法及标准BP算法进行分析对比。最终,通过对比几种算法和不同网络结构的诊断速度和诊断准确率,得出了最适合的神经网络结构为三层网络:输入层单元数为11、隐层单元数为20、输出层单元数为2;输入层—隐含层传递函数为tansig、隐含层—输出层传递函数为logsig、训练函数为trainlm;最适合的算法为基于Levenberg-Marquardt算法。最后,由于编写相应算法的M文件有些繁杂,本文为了提高人机互动性,应用MATLAB的图形用户界面（GUI）设计开发了发动机异响类型诊断系统。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 发动机异响类型诊断的意义
• 1.2 发动机异响类型诊断的基本内容
• 1.3 国内外基于声信号故障诊断概况及发展
• 1.4 小波分析方法在特征提取中应用
• 1.5 神经网络在异响类型模式识别中的应用
• 1.6 本文主要研究内容
• 2 摩托车发动机声信号采集及分析
• 2.1 摩托车发动机异响分析
• 2.1.1 摩托车发动机典型异响类型
• 2.1.2 本文研究的发动机异响类型及各类异响统计
• 2.2 发动机声信号的采集
• 2.2.1 采集系统组成示意图
• 2.2.2 采集系统各部件参数
• 2.2.3 信号测量
• 2.3 本章小结
• 3 人工神经网络理论及改进的 BP 算法
• 3.1 人工神经网络概述
• 3.1.1 人工神经元模型
• 3.1.2 神经网络的结构及工作方式
• 3.1.3 神经网络的学习
• 3.2 BP 神经网络与改进型BP 算法的研究
• 3.2.1 BP 网络模型结构
• 3.2.2 BP 神经网络构建与算法
• 3.2.3 传统BP 网络的局限性
• 3.2.4 标准BP 算法存在局限性的原因分析
• 3.2.5 标准BP 算法的主要改进措施
• 3.3 本章小结
• 4 发动机异响类型诊断模型的构建与仿真
• 4.1 数据预处理
• 4.1.1 样本的设计
• 4.1.2 数据的处理
• 4.2 异响类型诊断模型建立
• 4.2.1 网络层数及每层神经元数目的确定
• 4.2.2 初始权值的设计
• 4.2.3 期望误差和学习率的选取
• 4.3 发动机异响类型诊断仿真研究
• 4.3.1 采用标准BP 算法
• 4.3.2 采用自适应学习率算法
• 4.3.3 采用动量—自适应学习率算法
• 4.3.4 采用基于Levenberg-Marquardt 法的改进算法
• 4.4 几种改进算法在发动机异响类型诊断中的应用结果分析
• 4.4.1 网络训练速度的比较
• 4.4.2 网络训练诊断正确率的比较
• 4.5 本章小结
• 5 发动机异响类型诊断系统软件设计
• 5.1 图形用户界面概述
• 5.1.1 GUI 开发方法简介
• 5.1.2 GUIDE 支持的组件类型
• 5.2 GUI 设计工具简介
• 5.3 发动机异响类型诊断系统软件主界面设计
• 5.4 发动机异响类型诊断系统软件程序设计
• 5.5 本章小结
• 6 结论
• 致谢
• 参考文献
• 附录：A 作者在攻读学位期间发表的论文目录