采用VB实现船舶柴油机拐档差数据处理系统的研制

论文摘要

曲轴是主机功率输出的总枢纽，运转中的柴油机曲轴因主轴承高低不等或压载变化、船体变形而产生曲轴整体变形。曲轴的拐档差是反映曲轴技术状态是否良好的重要参数，拐档差越大，表明曲轴变形越严重。通过测量曲轴拐档差来了解曲轴整体的轴线状态，预防曲轴断裂，从而减小经济损失并防止事故的发生。本文主要以面向对象语言Visual Basic（VB）为工具，以柴油机曲轴拐档差为研究对象，对曲轴拐档差进行了数据分析，实现了对曲轴拐档差数据处理系统的设计。首先，本文从曲轴的重要性出发，介绍了曲轴拐档差概念及测量方法与影响因素和数据处理的几种常用方法，为本文后面的内容奠定了理论基础。然后，在描述各种串行接口的标准和电气规范的基础上，设计了串口通信的电路。并利用VB提供的标准MSComm控件，根据属性和事件的用法，实现了基于VB的串口通信方式串口通信。同时，采用VB进行了界面的编写，设计出数据处理系统的各个模块功能，主要包括：用户登陆、数据录入、数据作图、数据存储及系统维护等五个功能模块。系统可基本实现曲轴拐档差的数据处理，了解曲轴的弯曲方向和大小。最后，简要介绍了BP神经网络的基础知识，并利用BP神经网络的高度非线性拟合功能，将其引入到船舶柴油机曲轴轴承偏离中心线的预测工作中。针对BP神经网络的自身特性，进行了网络设计、实际预测、测取数据等一系列工作。在MATLAB环境中编制程序，利用测取的数据建立了相应的BP训练网络，并用BP神经网络对数据样本进行了船舶柴油机曲轴轴承偏离中心线预测。为了解和控制曲轴的变形和主轴承的磨损状况，防止曲轴的疲劳破坏，进而防止断轴事故，保障船舶安全提供一定的理论基础。

论文目录

• 摘要
• ABSTRACT
• 第1章 引言
• 1.1 拐档差测量的意义
• 1.2 曲轴拐档差
• 1.2.1 曲轴拐档差的概念
• 1.2.2 拐档差测量位置
• 1.2.3 拐档差测量的要求
• 1.2.4 测量拐档差的情况
• 1.2.5 拐档差的影响因素
• 1.2.6 轴心线和推力轴（齿轮轴）轴心线的对中
• 1.3 国内外研究的现状
• 1.3.1 测量仪表
• 1.3.2 数据处理方法
• 1.4 本文的研究内容
• 第2章 数据处理方法概述
• 2.1 实验数据处理基本方法
• 2.1.1 列表法
• 2.1.2 图解法
• 2.1.3 逐差法
• 2.1.4 最小二乘法
• 2.2 数据处理方法的发展
• 2.2.1 稳健估计
• 2.2.2 傅立叶分析
• 2.2.3 有限元方法
• 2.2.4 神经网络
• 2.3 神经网络在数据处理中的应用
• 2.3.1 人工神经网络的优势
• 2.3.2 人工神经网络的主要方向
• 2.3.3 神经网络在故障诊断中的主要应用
• 2.4 小结
• 第3章 数据通信
• 3.1 通信接口的方式
• 3.1.1 并行接口
• 3.1.2 串行接口
• 3.2 串行接口的标准
• 3.3 VB串口通信方法
• 3.3.1 MSComm控件处理通信的方式
• 3.3.2 MSComm控件的属性
• 3.3.3 通信事件包含设置
• 3.4 MSCOM控件的应用
• 3.4.1 硬件连接
• 3.4.2 数据的发送
• 3.4.3 数据的接收
• 3.5 小结
• 第4章 数据处理系统的功能设计
• 4.1 系统总体功能设计
• 4.1.1 系统总体功能结构图
• 4.1.2 子系统功能分析
• 4.2 模块整体设计
• 4.2.1 登录模块设计
• 4.2.2 系统维护模块功能设计
• 4.2.3 数据输入模块功能设计
• 4.2.4 数据作图模块功能设计
• 4.2.5 数据存储模块功能设计
• 4.3 曲轴拐档差实例分析
• 4.4 系统要求
• 4.4.1 硬件要求
• 4.4.2 软件要求
• 4.5 小结
• 第5章 BP神经网络及其应用
• 5.1 人工神经网络概述
• 5.1.1 人工神经网络的起源
• 5.1.2 人工神经网络的特点及应用
• 5.2 人工神经网络的结构
• 5.2.1 人工神经网络的基本特性
• 5.2.2 神经网络的基本类型
• 5.2.2.1 人工神经网络的典型结构
• 5.2.2.2 人工神经网络的学习规则
• 5.3 多层前馈神经网络（BP）模型
• 5.3.1 BP网络模型特点
• 5.3.2 BP网络学习算法
• 5.3.2.1 信息的正向传递
• 5.3.2.2 利用梯度下降法求权值变化及误差的反向传播
• 5.3.3 网络的训练过程
• 5.3.4 BP算法的改进
• 5.3.4.1 附加动量法
• 5.3.4.2 自适应学习速率
• 5.4 网络的设计
• 5.4.1 输入层、输出层结点数
• 5.4.2 网络的层数
• 5.4.3 学习样本数据的预处理
• 5.4.4 隐含层的神经元数
• 5.4.5 初始权值的选取
• 5.4.6 学习速率
• 5.4.7 网络的训练
• 5.5 小结
• 第6章 结论与展望
• 6.1 结论
• 6.2 展望
• 致谢
• 参考文献
• 附录
• 在学期间发表的学术论文