基于粒子群优化RBF神经网络的柴油机故障诊断研究

论文摘要

柴油机是许多设备的动力源，广泛应用到矿山、船舶等领域。因此柴油机在国民经济中占有很重要的地位。柴油发动机的状态监测与故障诊断的研究也就越来越受到研究者和工业部门的重视。随着信号处理技术的发展和应用于非平稳信号分析的各种分析方法的不断涌现，几十年来在故障诊断领域得到广泛应用的快速傅立叶变换分析方法已不能满足现代机械故障诊断的要求。人工神经网络是一种大规模的分布式并行处理系统，具有自组织、自学习、自适应和非线性动态处理等特性。这对于解决复杂的非线性问题具有广阔的应用前景。粒子群优化算法是基于群体智能理论的一种优化算法，通过种群粒子间的合作与竞争产生的群体智能来指导优化搜索。作为一类新兴的随机全局优化算法，粒子群算法依赖的经验参数少，易于控制，而且由于其理论上的并行性，收敛速度很快，因此，在其提出的十年中，在许多领域获得了成功。本文在深入分析RBF神经网络及粒子群优化算法等理论的基础上，用粒子群算法作为RBF神经网络的学习算法，使之具有很强的网络泛化能力和非线性系统辨识能力。最后，应用神经网络训练样本集训练粒子群优化的神经网络，把此网络应用在柴油机涡轮增压系统故障诊断上，其诊断结果与事实相吻合。

论文目录

• 摘要
• Abstract
• 1. 绪论
• 1.1 选题的目的和意义
• 1.2 PSO（粒子群）算法研究现状
• 1.3 柴油机故障诊断技术研究现状
• 1.3.1 柴油机常用的故障诊断方法
• 1.3.2 神经网络技术在柴油机故障诊断中的应用
• 1.4 本文研究的主要内容
• 2. 粒子群优化算法
• 2.1 基本粒子群优化算法
• 2.1.1 基本思想
• 2.1.2 数学描述
• 2.1.3 程序实现的伪代码
• 2.1.4 算法流程图
• 2.1.5 算法特点
• 2.1.6 算法特征
• 2.2 标准粒子群优化算法
• 2.2.1 惯性权重（intertia weight）的引入
• 2.2.2 收缩因子（constriction factor）的引入
• 2.3 粒子群优化算法的收敛性分析
• 2.3.1 实验性分析
• 2.3.2 数学分析
• 2.3.3 基本粒子群优化算法收敛性分析
• 2.3.4 带收缩因子的粒子群优化算法收敛性分析
• 2.4 粒子群优化算法参数的选取
• 2.5 与其他演化算法的比较
• 2.5.1 与演化规划的比较
• 2.5.2 与遗传算法的比较
• 2.6 粒子群算法的具体应用
• 2.7 本章小节
• 3. 基于粒子群优化的神经网络模型的建立
• 3.1 人工神经网络
• 3.1.1 人工神经网络的发展
• 3.1.2 神经网络的特性及其应用领域
• 3.2 RBF 神经网络
• 3.2.1 RBF 神经网络模型
• 3.2.2 RBF 神经网络结构分析
• 3.2.3 基函数中心个数的确定
• 3.3 进化计算在神经网络优化中的应用
• 3.4 基于粒子群优化的神经网络学习算法
• 3.4.1 PSO 算法的编码和适应度函数
• 3.4.2 PSO 学习算法的基本步骤
• 3.4.3 PSO 学习算法的性能评价指标
• 3.5 本章小结
• 4. 柴油机故障诊断实验
• 4.1 柴油机状态信号的检测
• 4.1.1 柴油机缸盖振动信号测点的选取
• 4.1.2 柴油机缸盖振动信号采样频率的选取
• 4.1.3 柴油机诊断实验构成原理示意图
• 4.2 振动信号的分析
• 4.2.1 缸盖振动信号的特性
• 4.2.2 振动信号采集的关键技术
• 4.3 信号的消噪处理
• 4.3.1 小波分析理论
• 4.3.2 小波消噪的步骤
• 4.3.3 小波消噪中阈值选取
• 4.3.4 实验数据消噪
• 4.4 时域和频域故障特征参量的提取
• 4.4.1 时域故障特征提取
• 4.4.2 频域故障特征提取
• 4.5 本章小节
• 5. 基于粒子群优化的RBF 神经网络在柴油机故障诊断中的应用
• 5.1 故障诊断流程框图
• 5.2 神经网络诊断系统的实现
• 5.2.1 网络输入变量归一化处理
• 5.2.2 网络的创建、训练和测试
• 5.3 神经网络训练样本集的确定
• 5.3.1 输入向量和输出向量的确定
• 5.3.2 故障样本集的确定
• 5.3.3 网络输出向量设计
• 5.4 粒子群优化RBF 神经网络故障诊断算法实现
• 5.4.1 粒子群优化RBF 神经网络参数的选择
• 5.4.2 粒子群优化RBF 神经网络的初始化
• 5.4.3 粒子群优化RBF 神经网络的适应度值
• 5.4.4 粒子群优化RBF 神经网络的粒子速度和位置的计算
• 5.4.5 粒子群优化RBF 神经网络的粒子适应度值更新
• 5.4.6 粒子群优化RBF 神经网络的速度和位置更新
• 5.5 神经网络的诊断结果与比较
• 6. 结论
• 参考文献
• 攻读硕士学位期间发表的论文及所取得的研究成果
• 致谢