基于神经网络原理的汽车发动机机械故障诊断系统分类器设计

长春工业大学硕士学位论文基于神经网络原理的汽车发动机机械故障诊断系统分类器设计姓名：曲巍申请学位级别：硕士专业：计算机应用技术指导教师：闫一功20070301基于神经网络原理的汽车发动机机械故障诊断系统分类器设计作者：曲巍学位授予单位：长春工业大学相似文献(10条)1.期刊论文谭德荣.韩加蓬基于BP的车辆系统故障诊断模式识别-山东理工大学学报(自然科学版)2003,17(3)针对车辆系统存在的故障问题,引入了模式识别的诊断方法,对故障诊断过程中的故障分类、数据采集以及信号处理进行了分析.结合汽车离合器故障特征,应用改进的人工神经网络算法进行了故障识别,在进行样本学习时,网络系统能够较快的达到稳定状态,满足故障诊断的要求.最后指出了车辆系统故障诊断的意义和发展方向.2.学位论文宋艳清基于仿生模式识别理论的双权值神经网络模拟电路故障诊断方法研究2007模拟电路故障诊断一直是一个富有挑战性的研究课题。客观世界信号的本质决定了模拟电路的普遍性和不可替代性。随着超深亚微米半导体技术的进展，推动了超大规模模拟电路和模数混合电路来的发展，对模拟电路故障诊断提出了新的挑战，采用常规或传统的故障诊断理论和方法难以解决。以神经网络为代表的计算智能技术为模拟电路故障诊断提供了一条有效的途径，受到普遍关注和重视。仿生模式识别理论是一种全新的模式识别理论，从人们认识事物的角度出发来解决问题，为人们指出了一个新的解决问题的角度。论文将“以高维空间几何分析方法为工具”，“以空间复杂几何形体最佳覆盖为目的”的仿生模式识别原理用于模拟电路故障诊断，并详细描述了用双权值神经网络来具体实现模拟电路故障诊断的过程。虽然模拟电路故障诊断、双权值神经网络和仿生模式识别在各自的领域或者两两互相结合的领域有了一定的发展，但目前用基于仿生模式识别理论的双权值神经网络对模拟电路进行诊断的文献还未有所见。本文把仿生模式识别的理论和双权值神经网络相结合用于模拟电路的故障诊断，是一种新的尝试。本文在神经网络对模拟电路进行故障诊断的基础上提出了基于仿生模式识别的双权值神经网络，主要目的为了提高诊断的正确率。由于仿生模式识别理论是以每一类事物的“认识”为目的，因此它在模拟电路故障诊断方面有无可比拟的优越性。通过对电路进行仿真实验并将诊断过程和效果同目前流行的BP和RBF方法进行了分析对比，说明本文所提出的基于仿生模式识别理论的双权值神经网络方法是一种可行且高效的模拟电路诊断方法。3.期刊论文代树武.孙辉先.DAIShuwu.SUNHuixian基于模型的飞行器电源故障诊断与故障模式识别-振动与冲击2005,24(3)设计了基于模型的电源故障诊断原型.它由电源各器件的正常工作模型,故障模型,冲突求解模块,HS树生成和修剪模块,故障信息报告和故障模式识别模块等组成.利用电源系统正常工作模型,实现了故障定位隔离功能.论证了仅仅使用正常工作器件就可以推理出诊断解中各个故障器件的参数值,将这些参数和故障模型相比较,能够识别故障模式.诊断结果表明本文能有效地进行故障定位并能识别故障模式.4.学位论文万九卿印制电路板故障诊断技术研究——基于统计模式识别理论的印制电路板非介入式故障诊断2003该文主要在电路故障信息的获取和预处理，故障特征的提取，分类器的设计，以及不同检测手段的信息融合几方面进行了深入的研究，主要取得了以下结果：1.将传统意义上测点的概念推广为电路中能够携带故障信息的任何可测量变量.用Shannon信息熵对在一定测点集合上测量前后电路故障状态的不确定性进行了定量描述，在此基础上提出了测点集合诊断信息量的概念并给出了其估计方法.将测点选择问题建模为在全体可达测点集合中选取具有最大诊断信息量的测点子集问题，并用遗传算法对最优测点子集进行搜索.讨论了遗传算法中染色体的编码方式，适应度函数的选择以及遗传算子的设计方法.2.提出一种基于核函数的非线性特征提取算法.首先将原始特征向量由某一非线性映射由输入空间变换到高维特征空间.在特征空间中提出了一种新的样本可分性度量，该度量由样本自相关矩阵和样本类内类间离散度矩阵定义，推导了优化该度量的线性算法.引入不同的核函数代替特征空间中的向量间的内积运算，从而得到该线性特征提取算法不同的非线性版本.由此得到的非线性特征提取器被应用于标准数据集和实际电路的故障诊断中，取得了良好的特征提取效果.3.提出一种串行支持向量多类分类策略.其中多个具有不同分辨率的支持向量二类分类器组成串行结构，各个二类分类器分别由全体样本集合的具有不同离散度的样本子集进行训练.和传统分类器相比，支持向量方法能够取得更高的分类准确率.而串行支持向量分类器在训练和分类效率上均优于并行支持向量分类器，同时通过引入局部特征提取器可以进一步提高其分类准确率.4.在印制电路板红外热像诊断信息预处理的研究中，提出了一种新的辐射率校准方法.将印制电路板表面测量温度看作是实际温度分布与辐射率分布的混合波形，利用二者连续性的不同将其区分开来.利用小波变换实现热像信号中的突变点检测，实验结果说明该方法能够准确地估计印制电路板表面的实际温度分布波形，取得理想的辐射率校准效果.5.研究了电路板红外热像诊断和传统电信号诊断的信息融合技术，利用模糊集理论中的隶属度来确定各种诊断方式的信度函数，由Dempster-Shafer联合规则得到融合后的信度函数分配.和单一的诊断方法相比，进一步提高了诊断的准确率.总之，该文对印制电路板的非介入式诊断技术中的关键问题进行了深入研究，研究成果既具有一定的理论价值，又具有重要的实践指导意义.5.期刊论文冯长建.康晶.吴斌.胡红英.FENGChang-jian.KANGJing.WUBin.HUHong-yingDHMM的动态模式识别理论在旋转机械故障诊断中的应用-大连民族学院学报2006,8(3)对于旋转机械启动过程的动态模式,提出了一种基于离散隐马尔可夫模型(DHMM)的旋转机械故障诊断新方法.该方法对旋转机械启动过程的局部振动信号进行FFT特征提取,然后利用自组织特征映射对提取的特征矢量进行预分类编码,把矢量编码作为观测序列引入到DHMM中进行机器学习和故障诊断实验.实验表明,提出的方法对旋转机械启动过程进行诊断是十分有效的.6.学位论文冯长建HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用2002该文以国家自然科学基金项目基于隐Markov模型的旋转机械故障诊断新方法的研究(编号:50075079)为基础,提出的博士学位论文题目为HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用.该文以大型旋转机械为研究对象,研究了HMM动态模式识别理论与方法在旋转故障诊断中的应用,开辟了旋转机械计算机辅助故障诊断的新途径.7.会议论文耿立恩.潘旭峰数据融合技术在机械故障诊断模式识别中的应用1997利用计算机技术对机械振动信号进行处理分析是故障诊断的重要环节。该文将数据融合思想引入到故障诊断领域，并将神经网络技术和数据融合技术综合使用，完成了对故障模式的诊断识别，构造了基于同源数据融合技术的机械故障诊断系统，并在实验中验证了该系统的有效性。8.学位论文王萍电机绝缘故障诊断——局部放电信号的消噪及模式识别研究2004本文在局部放电在线监测的信号去噪和局部放电模式识别方法上进行了深入研究.在局部放电在线监测系统中,局部放电信号微弱而干扰又很强,必须进行大量的去噪处理,而处理后的信号往往又给模式识别带来了困难.本文首次提出用最优小波与固定阀值相结合进行局部放电脉冲的提取和消噪方法.仿真信号和现场信号的小波消噪结果表明了该方法的正确性和快捷性.用该方法重构的信号绘制的各种局部放电谱图,适用于目前使用的各种模式识别方法,它为使用新技术去除信号中的噪声并顺利识别局部放电模式创造了条件.本文首次将小波变换理论引入电机局部放电的模式识别中,它从一个与以前完全不同的角度来描述了局部放电信号的特性.本文研究表明:小波理论应用于局部放电信号的去噪和模式识别具有新颖性和广阔的应用前景,在此研究基础上设计出的模式识别方案,仿真实验证明是有效的和可行的.9.期刊论文韩秋实.许宝杰.王红军.方鹏旋转机械故障诊断监测专家系统中的时间序列模式识别技术研究-机械工程学报2002,38(3)介绍了时间序列法进行故障模式识别的基本原理和优点,并由AR(Auto-regression)时间序列模型入手,建立了旋转机械的信息距离判别函数.将这一方法应用到旋转机械故障诊断专家系统的模式识别规则库中,并进一步进行了试验台试验.10.学位论文郭萍小波模糊神经网络在轴承故障诊断中的研究与应用2008汽轮发电机组的振动过大将直接威胁着机组的安全运行，长时间的振动还会造成地基及周围建筑物的损坏；振动所产生的噪声对操作人员的生理及精神状况也十分有害。而轴承的故障则会加速汽轮发电机组的振动，因此对气轮发电机组的轴承进行故障诊断是必要的。小波变换具有多分辨率特性和时频局部化特性，特别适合于对非平稳信号的分析；而模糊LMBP神经网络不仅具有神经网络极强的非线性映射能力，还具有模糊逻辑刻画分类边界模糊性的优势。本论文首先使用小波分析对故障信号进行特征提取，然后把提取的特征向量作为模糊神经网络的输入--形成所谓的小波模糊神经网络进行故障诊断。本论文利用MATLAB进行仿真，借助由模拟汽轮机振动的振动试验台上所得的轴承故障数据，使用提出的小波模糊神经网络进行诊断，从而证明了该故障诊断系统可以极大地提高诊断系统的适应能力。本研究主要分成以下两个部分：1.轴承故障信号的特征提取采用小波分析对故障信号进行特征提取。主要利用小波变换的多分辨率特性和时频局部化特性，对原始故障信号进行小波分解，选取分解后每层最能代表原始故障信号细貌的高频系数的第一个数组成特征向量，作为神经网络的输入。2.轴承故障信号的模式识别其故障模式识别主要采用了以下几种方法：①采用LMBP神经网络进行故障模式识别。通过与Elman神经网络、使用梯度下降法的典型BP神经网络的实例比较，E1man网络的识别误差比LMBP神经网络大：而使用梯度下降法的典型BP神经网络所使用的训练时间较长，不利于诊断的实时性要求。②采用小波神经网络进行故障模式识别。通过实例证明：该设计方法虽然在一定程度上能满足故障信号的诊断，也满足故障诊断实时性要求，但是也存在着不精确性。③采用了小波模糊神经网络进行模式识别。该识别方法具有一定的有效性，并且该方法一定程度上满足故障诊断的实时性要求。通过以上的故障诊断方法仿真比较，采用小波模糊神经网络进行故障诊断，并采用两类故障模式进行验证，其诊断结果表明与实际的故障模式相符，从而证明了该故障诊断技术适用于故障模式识别，满足故障诊断实时性要求，具有很强的识别能力。本文链接：授权使用：武汉理工大学(whlgdx)，授权号：728827b2-23c6-4eaa-810c-9db201218474下载时间：2010年7月13日