军用车辆发动机机械故障诊断方法的研究
发布时间：2024-05-17 20:53
随着科学技术的发展,汽车发动机结构越来越复杂,但其故障诊断技术却远远落后于汽车技术的发展,尤其军用车辆柴油发动机机械故障诊断离实用要求有更大的距离,为了提高军用车辆保障能力,目前急需研究一套高效、准确的汽车发动机诊断系统。本论文以东风EQ2102汽车6BT5.9型柴油发动机为研究对象,简单介绍了柴油发动机机械故障机理,分析了柴油发动机故障诊断的研究现状及发展趋势;针对柴油发动机机械故障,采用振动诊断法,设计了发动机机体加速振动信号的测量方案,采用小波分形、小波包AR谱、双谱等技术对发动机振动信号进行处理,提取出典型故障的特征参数,并利用粗糙集理论进行了数据挖掘,提取关键诊断参数,剔除干扰信号;最后用蚁群算法优化神经网络,设计出了军用车辆发动机故障诊断系统。通过分析和研究,得出如下结论:柴油发动机机体表面的振动信号隐含着大量的故障信息,可以通过对其分析实现对发动机故障诊断;小波变换对原始信号分解后,对特定层重构成时域信号,计算分形维数,能够敏感地反映故障部位的特征;加速状态下的振动信号经小波包AR谱处理后,分段计算频段累加能量,可发现特定频段能量值与对应技术状态成比例关系,可作为特征参数...
【文章页数】：102 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 论文研究的背景和意义
1.1.1 论文研究的背景
1.1.2 论文研究的意义
1.2 汽车发动机故障诊断研究现状及发展趋势
1.2.1 发动机故障信号的获取方法
1.2.2 发动机信号处理和故障特征的提取方法
1.2.3 发动机故障模式识别技术
1.2.4 发动机故障诊断技术的发展趋势
1.3 论文的组织与结构安排
第二章 车辆发动机机械故障及振动信号的测量
2.1 引言
2.2 发动机的基本结构及常见故障
2.2.1 发动机的基本结构
2.2.2 发动机常见故障
2.3 发动机振动信号的测量
2.3.1 选择测试位置
2.3.2 选择测试转速
2.3.3 诊断对象技术状况设定
2.3.4 定转速非稳态信号测试系统的组成
2.3.5 定转速非稳态信号测量及信号的幅域分析
2.4 小结
第三章 基于小波分形技术提取发动机振动信号故障特征
3.1 引言
3.2 小波分析基本理论
3.2.1 小波变换的发展
3.2.2 连续小波变换
3.2.3 离散二进小波变换
3.3 分形基本理论
3.3.1 分形的定义和性质
3.3.2 网格维数的计算方法
3.3.3 网格维数的仿真计算[68]
3.4 基于小波分形技术提取发动机故障特征
3.4.1 小波分形技术的基本思想
3.4.2 利用小波分形提取故障特征
3.4.3 计算结果分析
3.5 小结
第四章 基于小波包AR谱提取发动机振动信号故障特征
4.1 引言
4.2 小波包分解与重构算法
4.3 AR谱估计
4.4 小波包AR谱提取特征过程
4.4.1 小波包分解
4.4.2 分频段重构时域信号
4.4.3 AR谱分析
4.5 基于小波包AR谱提取发动机故障特征
4.5.1 利用小波包AR谱分析发动机振动信号
4.5.2 发动机振动信号小波包AR谱特征提取
4.5.3 分析结果讨论
4.6 小结
第五章：基于双谱理论提取发动机振动信号故障特征
5.1 引言
5.2 高阶谱基本理论
5.2.1 累积量与高阶谱定义
5.2.2 高阶谱的性质[70]
5.3 基于非参数的双谱估计
5.4 基于双谱理论提取发动机振动信号故障特征
5.5 小结
第六章 基于粗糙集理论提取发动机振动信号故障特征
6.1 引言
6.2 粗糙集理论的基本概念
6.2.1 知识的概念与决策系统
6.2.2 不可分辨关系
6.2.3 粗糙集的上近似、下近似、边界区和近似精度
6.2.4 属性约简
6.2.5 粗糙集特点
6.3 基于粗糙集理论的发动机故障特征提取
6.3.1 信号处理与产生决策表
6.3.2 计算属性对决策近似精度
6.4 小结
第七章 基于蚁群神经网络的发动机故障诊断系统研究
7.1 引言
7.2 人工神经网络
7.2.1 人工神经网络基本原理
7.2.2 人工神经网络的主要学习算法
7.3 蚁群算法的基本理论
7.3.1“双桥”实验
7.3.2 蚁群算法的生物原理
7.3.3 蚁群算法的本质
7.3.4 蚁群算法的应用及展望
7.4 蚁群优化算法与神经网络的结合
7.4.1 蚁群算法优化神经网络的基本思想
7.4.2 蚁群算法优化神经网络的实现过程
7.4.3 蚁群算法优化神经网络的流程图
7.5 基于蚁群神经网络的柴油发动机机械故障诊断系统
7.6 小结
第八章 结论与展望
8.1 论文的主要结论与创新点
8.2 需进一步解决的工作
参考文献
攻读硕士学位期间取得的学术成果
致谢
本文编号：3975985
【文章页数】：102 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 论文研究的背景和意义
1.1.1 论文研究的背景
1.1.2 论文研究的意义
1.2 汽车发动机故障诊断研究现状及发展趋势
1.2.1 发动机故障信号的获取方法
1.2.2 发动机信号处理和故障特征的提取方法
1.2.3 发动机故障模式识别技术
1.2.4 发动机故障诊断技术的发展趋势
1.3 论文的组织与结构安排
第二章 车辆发动机机械故障及振动信号的测量
2.1 引言
2.2 发动机的基本结构及常见故障
2.2.1 发动机的基本结构
2.2.2 发动机常见故障
2.3 发动机振动信号的测量
2.3.1 选择测试位置
2.3.2 选择测试转速
2.3.3 诊断对象技术状况设定
2.3.4 定转速非稳态信号测试系统的组成
2.3.5 定转速非稳态信号测量及信号的幅域分析
2.4 小结
第三章 基于小波分形技术提取发动机振动信号故障特征
3.1 引言
3.2 小波分析基本理论
3.2.1 小波变换的发展
3.2.2 连续小波变换
3.2.3 离散二进小波变换
3.3 分形基本理论
3.3.1 分形的定义和性质
3.3.2 网格维数的计算方法
3.3.3 网格维数的仿真计算[68]
3.4 基于小波分形技术提取发动机故障特征
3.4.1 小波分形技术的基本思想
3.4.2 利用小波分形提取故障特征
3.4.3 计算结果分析
3.5 小结
第四章 基于小波包AR谱提取发动机振动信号故障特征
4.1 引言
4.2 小波包分解与重构算法
4.3 AR谱估计
4.4 小波包AR谱提取特征过程
4.4.1 小波包分解
4.4.2 分频段重构时域信号
4.4.3 AR谱分析
4.5 基于小波包AR谱提取发动机故障特征
4.5.1 利用小波包AR谱分析发动机振动信号
4.5.2 发动机振动信号小波包AR谱特征提取
4.5.3 分析结果讨论
4.6 小结
第五章：基于双谱理论提取发动机振动信号故障特征
5.1 引言
5.2 高阶谱基本理论
5.2.1 累积量与高阶谱定义
5.2.2 高阶谱的性质[70]
5.3 基于非参数的双谱估计
5.4 基于双谱理论提取发动机振动信号故障特征
5.5 小结
第六章 基于粗糙集理论提取发动机振动信号故障特征
6.1 引言
6.2 粗糙集理论的基本概念
6.2.1 知识的概念与决策系统
6.2.2 不可分辨关系
6.2.3 粗糙集的上近似、下近似、边界区和近似精度
6.2.4 属性约简
6.2.5 粗糙集特点
6.3 基于粗糙集理论的发动机故障特征提取
6.3.1 信号处理与产生决策表
6.3.2 计算属性对决策近似精度
6.4 小结
第七章 基于蚁群神经网络的发动机故障诊断系统研究
7.1 引言
7.2 人工神经网络
7.2.1 人工神经网络基本原理
7.2.2 人工神经网络的主要学习算法
7.3 蚁群算法的基本理论
7.3.1“双桥”实验
7.3.2 蚁群算法的生物原理
7.3.3 蚁群算法的本质
7.3.4 蚁群算法的应用及展望
7.4 蚁群优化算法与神经网络的结合
7.4.1 蚁群算法优化神经网络的基本思想
7.4.2 蚁群算法优化神经网络的实现过程
7.4.3 蚁群算法优化神经网络的流程图
7.5 基于蚁群神经网络的柴油发动机机械故障诊断系统
7.6 小结
第八章 结论与展望
8.1 论文的主要结论与创新点
8.2 需进一步解决的工作
参考文献
攻读硕士学位期间取得的学术成果
致谢
本文编号：3975985
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/3975985.html
