论文部分内容阅读
柴油机作为动力设备,在当前的众多领域中发挥着举足轻重的作用,产生了巨大的社会与经济效益。为了减少甚至避免因其发生故障而造成的损失,研究合适的故障诊断方法,成为人们关注的焦点。为了提高故障诊断的精度,本文开展了基于信息融合的柴油机故障诊断的研究。通过引入一种新兴的群体智能优化算法,结合信息融合技术中主流的神经网络方法,提出了一种新的故障诊断方法,即引力搜索BP神经网络方法,并将其应用到某PA6柴油机磨损故障的振动诊断。选用最能反映故障征兆的振动信号,将其特征参数作为信息融合的样本数据,编写程序进行仿真测试,验证了该方法应用到柴油机故障诊断的可行性与有效性,并开发了相应的软件。本文首先系统研究了信息融合技术。对信息融合的三个层次模型即数据层、特征层、决策层的优缺点进行了分析,并比较了它们的优缺点。同时对应用于故障诊断的信息融合方法进行了研究,验证了信息融合技术应用于故障诊断的可行性,为本文选择特征层融合及神经网络方法提供了理论依据。其次,对柴油机的故障机理进行了充分研究。通过分析柴油机的常见故障模式与主要故障特征,把最能体现故障特征的缸盖振动信号作为研究对象,研究振动信号的相关特性,为后续研究作铺垫。最后,针对BP神经网络在故障诊断应用中的不足,将引力搜索算法用于BP神经网络初始权值及阈值优化,提出了一种基于引力搜索算法和BP神经网络相结合的智能故障诊断方法,并将其运用于柴油机磨损故障的振动诊断。结果表明该方法在处理非线性问题上能力显著,对柴油机的磨合、磨损、极限等故障诊断准确,辨识度很高。与单纯的BP神经网络相比,引力搜索BP神经网络方法的诊断误差相对减少,精度显著提高,验证了方法的有效性。同时,开发了柴油机故障诊断的软件,使得诊断结果得以直观地呈现。