基于AR模型和神经网络的柴油机故障诊断

建立了一种基于AR与RBF神经网络结合的诊断模型,模拟柴油机气阀漏气、气门间隙异常等故障,采用NI公司PCI-4472采集卡在LabVIEW7．1平台上开发了柴油机缸盖振动信号采集分析与诊断系统。首先,对利用该系统采集的缸盖振动信号样本建立AR模型并进行AR谱估计,从中提取5个特征参数,然后利用RBF神经网络进行故障模式识别。结果表明,该诊断方法具有较高的精度,便于故障在线监测与诊断系统的开发。     

基于多智能体的复杂工程系统故障诊断研究

为了解决动态多变环境下的故障诊断问题，引入智能Agent技术，建立了一种基于多Agent的分布式故障诊断模型，该模型由多个分布于不同区域的Agent工作组组成，是一个分布式远程多Agent诊断系统。该系统主要由诊断Agent和管理Agent组成，通过各Agent之间的通信与协作实现多变环境下的故障诊断。实践证明，该诊断系统不仅能对各种故障作出及时反应，而且能准确给出诊断结果。     

基于模糊理论的柴油机故障诊断专家系统

针对柴油机故障征兆、故障原因及故障机理的复杂性和模糊不确定性,将模糊数学理论与故障诊断专家系统引入柴油机故障诊断。建立故障诊断的模糊模型、模糊隶属度函数,利用模糊产生式系统实现了模糊性知识表达,论述了模糊诊断原则和推理诊断流程,构建了基于模糊理论的柴油机故障诊断专家系统。通过一个具体故障诊断案例证明系统能够快速、准确地推断出故障原因,同时也证明了该方法的实用性。     

数据融合在液压泵故障诊断中的应用

运用数据融合的方法进行液压泵的故障诊断,建立了含有数据采集处理、神经网络局部诊断和D-S证据理论融合诊断3个模块的故障诊断系统,利用此诊断系统在CY14-1B柱塞泵上进行了模拟故障诊断试验,验证了该诊断系统的有效性。     

柴油机缸套磨损的诊断研究

通过对不同磨损程度的柴油机缸套进行实验 ,采集柴油机机身的振动信号。计算柴油机机身振动信号的小波包能量、最大幅值、奇异性指标 ,并建立了振动信号的 AR和 ARMA模型 ,最后利用遗传算法进行自动再生最佳特征参数 ,得到了优化的缸套磨损故障判别函数 ,结果表明利用该判别函数可以简洁有效地计算出缸套磨损等级 ,从而对缸套进行故障诊断。     

基于Web的多代理故障诊断系统研究

针对传统的机构故障诊断系统使用范围窄、通用性差、灵活性不足,且各诊断系统相互独立、无法进行信息交互等问题,提出构建Intemet环境下具有高度开放性的分布式体系结构的故障诊断系统,解决上述存在的“孤岛”效应;研究了多代理故障诊断系统“软件总线”的建立方法,传统故障诊断系统的改造等关键问题;通过组建基于Web的多代理故障诊断系统,并且对转子实验台故障数据进行分析诊断,表明了该系统在提高已有诊断系统的利用率、改善诊断精度、减少重复开发、降低诊断费用,以及远程诊断等方面的显著作用。     

基于油液分析的多层前向BP网络在复杂机械故障诊断中的应用

为了提高大型复杂机械故障诊断系统的诊断精度和自适应性,将改进的多层前向BP神经网络引入大型复杂机械系统故障诊断的研究,通过对该系统的多技术油液分析,建立了该机械系统油液分析故障特征表及神经网络目标输出,以此构建了基于油液分析的复杂机械系统多层前向BP网络故障诊断模型,并对该模型在MATLAB环境下进行了仿真训练和故障诊断。仿真结果表明,该模型能用于故障诊断,并有较高的输出精度。     

柴油机气阀间隙异常的诊断

通过调整柴油机气阀机构的不同气门间隙,采集柴油机缸盖表面的振动信号.通过计算柴油机缸盖表面振动信号的小波包能量、奇异性指标,最大幅值、分形维,并建立柴油机缸盖表面振动信号的AR和ARMA模型,得到模型的残差,最后利用这些特征参数,应用模糊聚类法进行故障诊断.     

巡检模式的旋转机械远程故障诊断系统

为提高中小型旋转机械的远程监测和故障诊断水平,提出将旋转机械故障诊断掌上巡检系统和基于Internet的远程故障诊断系统相结合,初步建立了支持巡检模式的远程故障诊断服务系统.在对系统功能和结构进行分析的基础上,重点介绍了Struts架构的应用,采集数据的传输和管理,信号分析和故障诊断等关键技术的设计和实现.     

大型旋转机械状态监测与故障诊断系统的面向对象建模研究

】用面向对象分析法对大型旋转机械状态监测与故障诊断系统进行分析,建立了故障诊断系统的信息模型、动态模型和功能模型,为故障诊断系统的开发提供有益的参考。根据这３个模型研制了面向对象的大型旋转机械神经网络故障诊断系统（Ｍ＆Ｄ）,并已应用于工业生产实践。     

基于FNN-GA融合算法的喷油器在线诊断

依据喷油器开启信号波形的变化规律,探讨了柴油机喷油器故障的产生机理,提出了波形幅度、上升沿宽度和波形宽度等诊断指标.基于模糊推理逻辑和喷油器的工作机理,建立了模糊神经网络(fuzzy neural network,简称FNN)与遗传算法(genetic arithmetic,简称GA)相结合的柴油机喷油器故障诊断模型.以喷油器开启信号的特征参数为基准,建立了故障隶属度和故障类型,制定了柴油机喷油器故障诊断的模糊推理逻辑.运用FNN-GA融合算法,依据不同故障的喷油器开启信号对喷油器故障进行了诊断,对故障模式进行了判别,提出了柴油机喷油器故障的在线诊断策略,并进行喷油器电磁阀驱动电流的故障试验.结果表明,所设计的柴油机喷油器故障诊断模型合理,验证了诊断策略具有较好的分辨率,可用于喷油器故障在线诊断.     

柴油机故障诊断技术的现状与展望

柴油机作为动力机械，其运行状态的监测和故障诊断越来越受到人们的关注，在柴油机故障诊断领域中的信号处理、故障特征提取及其识别技术方面已略具雏形，某些理论、方法已在实际中得到应用，但多数还处于实验研究阶段，距现场实用还有一定距离。本文对目前研究中的主要几种柴油机故障诊断技术的内容、特点和不足之处进行评述，最后对其发展方向进行讨论。     

Fault diagnosis for manifold absolute pressure sensor(MAP) of diesel engine based on Elman neural network observer

Intake system of diesel engine is a strong nonlinear system, and it is difficult to establish accurate model of intake system; and bias fault and precision degradation fault of MAP of diesel engine can’t be diagnosed easily using model-based methods. Thus, a fault diagnosis method based on Elman neural network observer is proposed. By comparing simulation results of intake pressure based on BP network and Elman neural network, lower sampling error magnitude is gained using Elman neural network, and the error is less volatile. Forecast accuracy is between 0.015-0.017 5 and sample error is controlled within 0-0.07. Considering the output stability and complexity of solving comprehensively, Elman neural network with a single hidden layer and with 44 nodes is presented as intake system observer. By comparing the relations of confidence intervals of the residual value between the measured and predicted values, error variance and failures in various fault types. Then four typical MAP faults of diesel engine can be diagnosed: complete failure fault, bias fault, precision degradation fault and drift fault. The simulation results show: intake pressure is observable and selection of diagnostic strategy parameter reasonably can increase the accuracy of diagnosis;the proposed fault diagnosis method only depends on data and structural parameters of observer, not depends on the nonlinear model of air intake system. A fault diagnosis method is proposed not depending system model to observe intake pressure, and bias fault and precision degradation fault of MAP of diesel engine can be diagnosed based on residuals.     

基于DE-SVM的柴油机气门故障诊断方法及应用

针对柴油机故障诊断样本少的实际问题,结合支持向量机的特性和微分进化算法良好的全局优化性能,提出了一种微分进化算法优化支持向量机方法.利用柴油机气门振动信号实测数据,经小波变换作为诊断模型的故障特征,建立了基于微分进化算法优化支持向量机的柴油机气门间隙故障诊断模型,并与反向传播神经网络算法、基于遗传算法优化支持向量机和基于粒子群优化支持向量机的模型相比较,结果表明:应用微分进化算法优化支持向量机比其他三种算法具有更优性能,能够有效地进行柴油机的故障诊断.     

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。     

基于熵理论和BP神经网络的船舶柴油机磨损故障识别

磨损监测与故障诊断是保证船舶柴油机安全可靠运行的重要技术手段。随着船舶柴油机运行可靠性的要求增高,其磨损监测需要更加全面,数据呈高维化,无关数据和冗余数据增多,使故障诊断的复杂程度增大,且近年来,船舶柴油机故障诊断的智能化需求日益增高。针对以上问题和需求,基于信息熵理论,应用信息熵值与度量熵组合设计柴油机磨损监测与故障诊断特征属性约简算法,将某型柴油机润滑磨损故障诊断特征指标维度从16维降低至7维;应用设计的BP神经网络和磨损故障模式识别规则,以该型柴油机44个磨损故障诊断数据样本为对象,进行应用验证与研究分析。结果表明,构建的模型在保证数据集分类特性的基础上,有效实现其数据降维,且所构建的磨损故障识别BP神经网络在属性约简后,故障识别的准确性有明显提高。     

基于FNN-GA的车用传感器在线诊断

基于模糊神经网络与遗传算法,提出了柴油机传感器故障的模糊融合诊断策略;运用模糊推理算法,依据不同故障的传感器波形信号,对传感器故障模式进行了判别,验证了故障诊断网络的可靠性。利用柴油机电控平台,进行了柴油机MAP、RPS和TPS的硬故障和软故障等性能试验。结果表明:所设计的传感器故障诊断模型合理,诊断策略具有较好的识别率,可用于柴油机传感器故障在线诊断。     

基于粗糙集理论的柴油机异响故障诊断研究

针对工程装备柴油机工况复杂、故障诊断特性参数多、故障诊断模糊性强的特点,提出应用阶比分析方法消除与振动信号无关的噪声干扰,然后利用粗糙集理论对故障诊断决策表进行约简,获得最优决策系统,形成了柴油机故障诊断规则,有效提高了柴油机故障诊断的精度和效率。     

基于ART-并行BP神经网络的柴油机故障诊断研究

造成柴油机故障的因素十分复杂,既存在单一类的故障,也存在多故障并存的现象,而且还会出现新型故障,仅仅依靠单一神经网络技术的故障诊断已经很难满足对柴油机的有效诊断要求。本文在信息决策层融合的基础上,以自适应谐振理论ART和误差反向传播并行BP两种神经网络为基础,建立了用于柴油机故障诊断的新型神经网络模型,以对柴油机系统工作过程多种故障进行诊断识别。通过与单一神经网络诊断识别结果的分析和比较,验证了该神经网络诊断模型的可行性,它能够进行多传感器信息综合诊断,既能识别单故障和并发故障,又具有识别新型故障的能力,可有效地提高对柴油机故障诊断的准确性和可靠性。     

Diesel Engine Valve Clearance Fault Diagnosis Based on Features Extraction Techniques and FastICA-SVM

Numerous vibration-based techniques are rarely used in diesel engines fault diagnosis in a direct way, due to the surface vibration signals of diesel engines with the complex non-stationary and nonlinear time-varying features. To investigate the fault diagnosis of diesel engines,fractal correlation dimension, wavelet energy and entropy as features reflecting the diesel engine fault fractal and energy characteristics are extracted from the decomposed signals through analyzing vibration acceleration signals derived from the cylinder head in seven different states of valve train. An intelligent fault detector FastICA-SVM is applied for diesel engine fault diagnosis and classification.The results demonstrate that FastICA-SVM achieves higher classification accuracy and makes better generalization performance in small samples recognition. Besides,the fractal correlation dimension and wavelet energy and entropy as the special features of diesel engine vibration signal are considered as input vectors of classifier Fast ICASVM and could produce the excellent classification results.The proposed methodology improves the accuracy of feature extraction and the fault diagnosis of diesel engines.