基于WPT-GA-SVM的柴油机典型故障诊断研究

发布时间：2017-10-13 00:25

  本文关键词：基于WPT-GA-SVM的柴油机典型故障诊断研究

  更多相关文章： 小波包分析 最大奇异值 BP神经网络 GA算法 支持向量机

【摘要】：柴油机作为工程机械的动力源,广泛应用于船舶,车辆,发电机组等领域。由于运行工况复杂,工作条件恶劣,很容易发生故障。对柴油机故障的处理方法,通常采用定期保养、检修和事后维修等处理方法,但是这些方法通常缺乏事故预见能力,维修成本较高,效率却很低,因此研究实用简便的智能故障诊断方法十分必要。此外,由于对缸盖振动信号的测量较为简单方便,通过采集缸盖振动信号对柴油机进行不解体故障诊断一直是广大学者研究的热点。由于缸盖振动信号受多种激励源影响,属于非平稳非线性振动信号,故需要选择合适的信号处理方法对缸盖振动信号进行分析。本文建立柴油机缸盖振动信号实验采集平台。以WP10型号六缸柴油机为测试对象,采集柴油机在正常及不同故障状态缸盖振动信号作为测试样本。研究小波包分析在缸盖振动信号数据处理及特征提取中的应用,对柴油机正常状态、进排气门间隙故障、喷油提前角故障及供油量故障进行三层小波包分析。研究小波包分解的八个子频带的功率谱密度图,确定柴油机不同故障的特征频带范围。分析不同故障特征频带最大奇异值分布,均方根值分布,偏度分布,峭度分布,并以此作为BP神经网络,GA优化BP神经网络,支持向量机(SVM)及GA优化SVM的输入向量。分析不同输入向量在柴油机单一故障与多故障中的分类准确度。研究结果表明:对柴油机单一故障进行分类,采用BP神经网络作为分类器,分类准确率达90%以上;采用GA-BP作为分类器,准确率达95%以上;采用SVM作为分类器,分类准确率达92%以上;采用GA-SVM作为分类器,准确率达96%以上。对柴油机多故障综合分类,采用BP神经网络,准确率达90%以上;采用GA-BP做分类器,准确率达95%以上。采用SVM作分类器,准确率87%以上,采用GA-SVM作为分类器,准确率达95.8%以上。采用WPT-GA-SVM对柴油机3种典型故障,分类精度达95%以上。
【关键词】：小波包分析 最大奇异值 BP神经网络 GA算法 支持向量机
【学位授予单位】：天津大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TK428
【目录】：

• 中文摘要4-5
• Abstract5-11
• 字母注释表11-12
• 第一章 绪论12-18
• 1.1 柴油机机械故障诊断技术研究的背景和意义12-13
• 1.2 柴油机机械故障诊断技术的国内外研究现状13-16
• 1.2.1 传统故障特征提取研究方法14
• 1.2.2 现代信号处理方法提取故障特征14-15
• 1.2.3 故障识别方法研究现状15-16
• 1.3 本文研究的主要内容16-18
• 第二章 柴油机故障诊断基本理论方法研究18-30
• 2.1 特征提取方法研究18-23
• 2.1.1 连续小波变换18-19
• 2.1.2 离散小波变换19-20
• 2.1.3 小波包分析20-23
• 2.2 模式识别方法研究23-26
• 2.2.1 BP神经网络方法研究23-25
• 2.2.2 GA-BP神经网络方法研究25-26
• 2.3 支持向量机理论及应用研究26-28
• 2.4 GA-SVM理论及应用研究28-29
• 2.5 本章小结29-30
• 第三章 柴油机典型故障实验与振动信号分析30-44
• 3.1 柴油机振动特性分析30
• 3.2 故障模拟试验30-32
• 3.3 振动信号分析32-43
• 3.3.1 气门间隙故障振动信号分析32-36
• 3.3.2 喷油提前角故障振动信号分析36-40
• 3.3.3 供油量故障振动信号分析40-43
• 3.4 本章小结43-44
• 第四章 柴油机故障特征提取研究44-54
• 4.1 最大奇异值44-48
• 4.1.1 进排气门间隙故障最大奇异值分布研究45-46
• 4.1.2 喷油提前角故障最大奇异值分布研究46-47
• 4.1.3 供油量故障最大奇异值分布研究47-48
• 4.2 均方根值48-50
• 4.2.1 气门间隙故障均方根值分布研究48-49
• 4.2.2 喷油提前角故障均方根值分布研究49-50
• 4.2.3 供油量故障均方根值分布研究50
• 4.3 偏度值50-52
• 4.3.1 气门间隙故障偏度值分布研究50-51
• 4.3.2 喷油提前角故障偏度值分布研究51
• 4.3.3 供油量故障偏度值分布研究51-52
• 4.4 峭度值52-53
• 4.4.1 气门间隙故障峭度值分布研究52
• 4.4.2 喷油提前角故障峭度值分布研究52-53
• 4.4.3 供油量故障峭度值分布研究53
• 4.5 本章小结53-54
• 第五章 柴油机典型故障模式识别研究54-64
• 5.1 模式识别器的参数选取54-58
• 5.2 模式识别器的分类结果58-62
• 5.2.1 BP神经网络分类结果研究59-60
• 5.2.2 GA-BP神经网络分类结果研究60-61
• 5.2.3 SVM分类结果研究61-62
• 5.2.4 GA-SVM分类结果研究62
• 5.3 本章小结62-64
• 第六章 全文总结与展望64-66
• 6.1 工作总结64-65
• 6.2 工作展望65-66
• 参考文献66-70
• 发表论文和参加科研情况说明70-71
• 致谢71-72

【参考文献】

中国期刊全文数据库 前7条

1 刘昱;张俊红;毕凤荣;林杰威;李维伟;鲁鑫;;基于LMD边际谱的柴油机气门故障诊断[J];内燃机工程;2014年06期

2 蔡艳平;李艾华;石林锁;许平;张玮;;基于EMD-WVD振动谱时频图像SVM识别的内燃机故障诊断[J];内燃机工程;2012年02期

3 赵学智;叶邦彦;陈统坚;;基于小波—奇异值分解差分谱的弱故障特征提取方法[J];机械工程学报;2012年07期

4 司景萍;任庆霜;梁红波;张宝伟;;基于小波包分析的气门间隙异常故障诊断[J];振动与冲击;2011年12期

5 汤宝平;蒋永华;张详春;;基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法[J];机械工程学报;2010年05期

6 王春林;梅卫江;边金英;赵永满;吴疆;;基于振动信号的柴油机气门间隙异常故障诊断[J];石河子大学学报(自然科学版);2010年01期

7 商斌梁,夏勇,张振仁,薛模根;遗传算法在气门机构故障诊断中的应用[J];内燃机学报;2000年04期

中国博士学位论文全文数据库 前5条

1 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年

2 李敏通;柴油机振动信号特征提取与故障诊断方法研究[D];西北农林科技大学;2012年

3 刘成材;发动机爆震小波包变换分析及其特征提取研究[D];吉林大学;2010年

4 杨宇;基于EMD和支持向量机的旋转机械故障诊断方法研究[D];湖南大学;2005年

5 王志华;基于模式识别的柴油机故障诊断技术研究[D];武汉理工大学;2004年

中国硕士学位论文全文数据库 前2条

1 刘学坤;基于支持向量机和油液检测的船舶柴油机故障诊断研究[D];大连海事大学;2013年

2 刘鹏;基于振动分析的气门间隙异常故障诊断[D];内蒙古工业大学;2006年

，

本文编号：1021816