基于人工蜂群算法优化支持向量机的柴油机故障诊断研究

发布时间：2017-03-23 20:02

  本文关键词：基于人工蜂群算法优化支持向量机的柴油机故障诊断研究，由笔耕文化传播整理发布。

【摘要】：随着现代化工业的不断发展,柴油机作为动力设备已被广泛应用到社会生产的各个行业,如矿山机械、交通运输等领域,在工作系统中的地位日益重要。然而由于柴油机设备结构的复杂性,零部件繁多并互相影响,加之工作环境较差且运行工况繁杂等情况,其故障发生率较高,且故障一旦发生,所造成的影响将是难以估量的。由此,为避免不必要的损失,保证系统正常运行,应对柴油机实施状态监测与故障诊断以便能够及时针对异常情况采取有效措施。通过阐明与思索柴油机故障诊断不同方法之间的利弊点和鉴于当前的实验条件,本文选择利用振动信号分析法对R6105AZLD型柴油机进行故障诊断研究,而归纳整个研究过程可主要集中于三部分:信号采集实验、信号处理、故障识别,各部分的具体工作如下:(1)信号采集实验根据柴油机结构布置和工作原理,探究测点的合理安插位置以便能够获得包含柴油机丰富工作信息的振动信号数据;分析柴油机主要故障形式和发生率,有针对性的设置柴油机故障,以增加研究的可用性;充分满足设备信号采集时对采样频率的要求,以保证在信号信息完整的前提下,减小运算的复杂度。(2)信号处理柴油机振动信号不仅具有非平稳性,而且由于输入输出路径复杂、振动激励源较多,以致采集到的信号信息比较混杂。为能选择更为适用的测点信号数据,同时有效提纯工况信息并最大限度地减小失真度,本文在小波阈值去噪基础上,以信噪比、均方根误差和平滑度三者为评价指标来选择最优测点以及更加适宜的去噪规则;而后,为进一步明确不同工况的柴油机振动信号特征信息,本文选择小波包特征值提取法,同时为减小最终分类识别时的工作量,对特征值只取用相对能量较大的部分作为诊断样本数据。(3)故障识别针对支持向量机能够有效解决故障识别中小样本分类问题而关键参数的选择会直接影响到最终分类性能的好坏和基本人工蜂群算法可控参数少、原理易懂且易于实现但极易陷入局部最优解、后期收敛速度慢等因素,本文最终选择利用改进搜索方式的人工蜂群算法对支持向量机参数优化来进行故障识别的研究手段,并通过与未优化支持向量机和基本人工蜂群算法优化的支持向量机进行分类正确率比较,进一步说明该改进方法更具实用性。
【关键词】：柴油机 信号采集与处理 人工蜂群算法 支持向量机 故障诊断
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TK428
【目录】：

• 摘要4-6
• Abstract6-10
• 1 绪论10-18
• 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
• 1.1.2 课题研究的意义10-12
• 1.2 柴油机故障诊断的国内外研究现状及发展趋势12-15
• 1.2.1 国外研究现状12-13
• 1.2.2 国内研究现状13
• 1.2.3 发展趋势13-15
• 1.3 人工蜂群算法和支持向量机的研究现状15-16
• 1.3.1 人工蜂群算法研究现状15
• 1.3.2 支持向量机研究现状15-16
• 1.4 论文写作安排及主要研究内容16-18
• 2 柴油机基本构造与故障机理分析18-27
• 2.1 柴油机基本构造18-20
• 2.2 柴油机工作过程20-22
• 2.3 柴油机故障类型、产生原因及消除办法22-26
• 2.4 本章总结26-27
• 3 支持向量机概述27-38
• 3.1 理论基础——统计学理论27-32
• 3.1.1 机器学习的基本理论27-29
• 3.1.2 统计学理论的核心内容29-32
• 3.2 支持向量机分类32-37
• 3.2.1 线性可分最优超平面支持向量机32-34
• 3.2.2 非线性支持向量机34-35
• 3.2.3 核函数选择35-37
• 3.3 支持向量机优缺点37
• 3.4 本章总结37-38
• 4 柴油机振动信号采集与处理38-71
• 4.1 柴油机振动信号采集实验39-44
• 4.1.1 实验平台搭建及所需信号采集装置39
• 4.1.2 柴油机测点布置与故障设置39-43
• 4.1.3 柴油机振动信号采样频率设置与信号采集43-44
• 4.2 信号处理44-70
• 4.2.1 小波分析理论46-49
• 4.2.2 信号小波去噪简述49-50
• 4.2.3 小波去噪方法与评价指标50-52
• 4.2.4 信号小波去噪具体实现52-67
• 4.2.5 信号特征值提取与能量谱分析67-70
• 4.3 本章总结70-71
• 5 人工蜂群算法优化支持向量的柴油机故障诊断71-85
• 5.1 基本人工蜂群算法实现步骤71-72
• 5.2 改进人工蜂群算法72-73
• 5.3 改进人工蜂群算法优化支持向量机的参数选择73-75
• 5.4 柴油机故障分类75-83
• 5.4.1 诊断样本75-77
• 5.4.2 改进人工蜂群算法优化支持向量机的柴油机故障识别77-83
• 5.5 本章总结83-85
• 6 总结与展望85-87
• 6.1 论文工作总结85-86
• 6.2 柴油机故障诊断研究展望86-87
• 参考文献87-94
• 攻读硕士学位期间发表的论文94-95
• 致谢95-96

【相似文献】

中国期刊全文数据库 前10条

1 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

2 胡木水;柴油机故障诊断方法[J];中国水运;2002年05期

3 王珍,丁子佳,李玉光,李吉;局域波自回归谱及其在柴油机故障诊断中的应用研究[J];内燃机工程;2004年03期

4 张维新,张俊峰;柴油机故障诊断技术趋向分析[J];天津航海;2005年02期

5 臧刚权;杨文位;;柴油机故障诊断技术方法综述[J];农业机械化与电气化;2006年06期

6 杨文位;;柴油机故障诊断的现代方法与展望[J];农机使用与维修;2007年01期

7 刘辉;周志英;;基于动态模糊矩阵的柴油机故障诊断[J];煤炭技术;2007年08期

8 王德洪;;柴油机故障诊断的几点体会[J];装备制造技术;2008年01期

9 马善伟;乐正伟;吕健;刘峗;;柴油机故障诊断技术综述[J];上海第二工业大学学报;2008年02期

10 霍本林;;柴油机故障诊断系统的研究[J];科技创新导报;2010年29期

中国重要会议论文全文数据库 前3条

1 段伟武;宋宜斌;;基于自适应神经网络模糊推理系统的柴油机故障诊断[A];第二十九届中国控制会议论文集[C];2010年

2 王鑫;于洪亮;段树林;宋玉超;;基于遗传算法选择优化神经网络的柴油机故障诊断研究[A];2011下一代自动测试系统学术研讨会论文集[C];2011年

3 王鑫;于洪亮;段树林;宋玉超;;基于遗传算法选择优化神经网络的柴油机故障诊断研究[A];第十届全国振动理论及应用学术会议论文集（2011）上册[C];2011年

中国博士学位论文全文数据库 前3条

1 王珍;基于局域波分析的柴油机故障诊断方法的研究及应用[D];大连理工大学;2002年

2 李宏坤;基于信息融合技术船舶柴油机故障诊断方法的研究与应用[D];大连理工大学;2003年

3 蔡晓光;柴油机智能故障诊断系统研究[D];中国矿业大学;2009年

中国硕士学位论文全文数据库 前10条

1 沈绍辉;基于人工蜂群算法优化支持向量机的柴油机故障诊断研究[D];中北大学;2016年

2 冯阳;故障树分析和模糊理论在柴油机故障诊断中的应用[D];北京理工大学;2008年

3 宋栋;基于嵌入式的柴油机故障诊断系统[D];中北大学;2012年

4 王晋;基于粒子滤波信号处理的柴油机故障诊断[D];中北大学;2012年

5 韩慧勇;基于多源信息融合的柴油机故障诊断研究[D];中北大学;2012年

6 刘峥;基于多传感器信息融合的柴油机故障诊断系统[D];湖南大学;2010年

7 郭钢祥;基于局域均值分解和神经网络的柴油机故障诊断研究[D];中北大学;2013年

8 刘晓东;基于粗糙集的柴油机故障诊断的研究[D];大连交通大学;2008年

9 任云鹏;基于曲轴角加速度的柴油机故障诊断研究[D];电子科技大学;2006年

10 董安;基于形态滤波和灰色理论的柴油机故障诊断研究[D];中北大学;2014年

  本文关键词：基于人工蜂群算法优化支持向量机的柴油机故障诊断研究，，由笔耕文化传播整理发布。

本文编号：264453