基于经验模态分解与小波阈值降噪结合的柴油机故障诊断

发布时间：2017-05-02 05:03

  本文关键词：基于经验模态分解与小波阈值降噪结合的柴油机故障诊断，由笔耕文化传播整理发布。

【摘要】：柴油机是热效率较高并且在工农业、交通运输、国防领域内应用最广泛的热力发动机。柴油机一旦某一部分或者某一环节发生了故障，会直接或间接造成重大的经济损失，甚至危及生命安全。因此，对柴油机的故障诊断技术研究向来是人们潜心研究的一大难题。本文对基于经验模态分解与小波阈值降噪结合的柴油机故障诊断作了深入的研究。 在深入学习和研究柴油机的原理和构造、柴油机故障类型和机理的基础后，确定振动数据采集方案并且利用实验装置采集了柴油机在不同故障条件下的振动信号。在深入理解振动信号特性基础上，对比了小波和傅里叶对波形分析的效果，对比了几种小波降噪的效果。本文研究了经验模态分解方法，并将其与小波阈值相结合同时对波形处理前后效果和参数进行了对比，也对选取不同分解层的效果进行了最优选择的研究，意在充分挖掘出原始信号中的特征信息。同时提出对相对能量法提取的特征值用可变精度粗糙集对其进行优化以实现柴油机诊断的高效性。最后，研究了BP和RBF两种网络在柴油机故障识别中的应用，从而提出一条最优方案其思路，如下： 首先，，利用经验模态分解和小波阈值降噪结合的相关理论对柴油机在1800rpm，测点14，正常、断油、漏油、供油提前角增大、空气滤清器堵塞五种工况的振动信号进行提取了信息丰富的IMF分量，并对其进行了阈值降噪之后提取相关特征值；其次，利用可变精度粗糙集解决了特征参数的不完备、冗余、相互矛盾，实现特征参量的优化，实现了在不丢失信息量情况下，用少量属性值，就可以有效对柴油机进行故障诊断；最后，应用具有优越性的径向基函数（RBF）神经网络进行诊断。
【关键词】：柴油机 经验模态分解 小波阈值降噪 可变精度粗糙集 人工神经网络
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TK428
【目录】：

• 摘要4-5
• Abstract5-10
• 1 绪论10-20
• 1.1 课题研究的背景和意义10-12
• 1.1.1 课题研究的背景10-11
• 1.1.2 课题研究的意义11-12
• 1.2 柴油机故障判断12-16
• 1.2.1 柴油机故障产生原因12-14
• 1.2.2 柴油机故障特征14
• 1.2.3 柴油机故障分类及主要故障模式14-16
• 1.3 柴油机故障诊断研究分类及国内外研究现状16-18
• 1.3.1 基于性能参数的柴油机状态监测16
• 1.3.2 基于油液分析的柴油机故障诊断16-17
• 1.3.3 基于振声的柴油机故障诊断17-18
• 1.4 柴油机故障诊断研究趋势18
• 1.5 本文的结构18-20
• 2 柴油机故障类型及故障分析20-36
• 2.1 柴油机的结构及工作原理20-24
• 2.1.1 柴油机的基本结构20-22
• 2.1.2 柴油机的工作原理22-24
• 2.2 柴油机振动信号采集实验24-27
• 2.2.1 实验平台的搭建24-25
• 2.2.2 实验的准备25-27
• 2.2.3 实验步骤27
• 2.3 信号分析27-32
• 2.3.1 信号的幅域分析28-29
• 2.3.2 信号的时域分析29-30
• 2.3.3 信号的频域分析30-32
• 2.4 信号特征分析32-35
• 2.5 本章小结35-36
• 3 柴油机信号去噪处理36-59
• 3.1 小波分析36-45
• 3.1.1 小波理论36-38
• 3.1.2 小波在信号降噪中的应用38-39
• 3.1.3 小波降噪的对比39-45
• 3.2 经验模态分解（EMD）45-58
• 3.2.1 经验模态分解（EMD）的基本理论45-46
• 3.2.2 经验模态分解（EMD）的过程46-48
• 3.2.3 经验模态分解（EMD）端点效应处理48-51
• 3.2.4 EMD 在信号中的应用51-54
• 3.2.5 经验模态分解（EMD）与小波（阈值）降噪结合54-58
• 3.3 本章小结58-59
• 4 信号特征值的提取与优化59-67
• 4.1 振动信号特征值的提取59-61
• 4.2 可变精度粗糙集61-65
• 4.2.1 可变精度粗糙集理论61-62
• 4.2.2 可变精度粗糙集模型62-63
• 4.2.3 可变精度粗糙集处理数据的过程63-65
• 4.3 特征值数据处理的结果65-66
• 4.4 本章小结66-67
• 5 基于神经网络的故障识别67-79
• 5.1 BP 网络67-74
• 5.1.1 BP 网络结构67-68
• 5.1.2 BP 网络的学习规则68-69
• 5.1.3 基于 BP 网络的故障诊断69-74
• 5.2 RBF 网络74-78
• 5.2.1 RBF 网络结构74-75
• 5.2.2 RBF 网络的学习规则75-76
• 5.2.3 基于 RBF 网络的故障诊断76-78
• 5.3 两种网络训练结果的对比78
• 5.4 本章小结78-79
• 总结与展望79-80
• 参考文献80-85
• 攻读硕士期间发表的论文及所取得的研究成果85-86
• 致谢86-87

【参考文献】

中国期刊全文数据库 前10条

1 杜修力;何立志;侯伟;;基于经验模态分解(EMD)的小波阈值除噪方法[J];北京工业大学学报;2007年03期

2 朱来东;廉小亲;江远志;;小波变换在信号降噪中的应用及MATLAB实现[J];北京工商大学学报(自然科学版);2009年02期

3 刘卫兵;李志农;蒋静;;基于局域均值分解的滚动轴承故障诊断方法[J];轴承;2009年09期

4 曹龙汉,曹长修,孙颖楷,景有泉,郭振;柴油机故障诊断技术的现状及展望[J];重庆大学学报(自然科学版);2001年06期

5 毛健;赵红东;姚婧婧;;人工神经网络的发展及应用[J];电子设计工程;2011年24期

6 卢志美;曹熙武;梁进奕;覃神全;;柴油机智能故障诊断技术及其发展趋势[J];装备制造技术;2010年01期

7 李保霖;赵建川;蔺文彬;;小波分析在信号降噪中的应用[J];电子设计工程;2013年09期

8 杨超;李亦滔;;机械设备故障智能诊断技术的现状与发展[J];华东交通大学学报;2011年05期

9 周开明;苏振波;陈鹏;;基于经验模态分解的去噪方法研究[J];江汉石油科技;2011年01期

10 王建国;王孝通;徐晓刚;;经验模式分解及其应用研究[J];计算机工程与应用;2010年04期

  本文关键词：基于经验模态分解与小波阈值降噪结合的柴油机故障诊断，由笔耕文化传播整理发布。

本文编号：340301