基于小波和神经网络的柴油机失火故障诊断方法研究

论文摘要

柴油机具有极高的热转换效率,越来越被广泛应用于各个领域中。作为动力源的柴油机一旦发生故障会直接影响整个机械系统的正常工作,甚至威胁相关操作人员的人身安全,因此,确保柴油机的安全运行至关重要。柴油机受其相对恶劣的工作环境的影响容易出现故障,而大部分故障均由燃气系统故障引起,失火就是其中一例,由于失火给机器的输出性能等造成严重影响,而目前针对失火故障的简单、快速、准确检测尚存在诸多不足之处,研究理论不够成熟,检测方法不够完善。因此,对柴油机失火故障检测方法的研究具有重要的科学意义和实用价值。以山东潍坊长松柴油机有限公司95系列295D型柴油机为研究对象,采用LabVIEW虚拟仪器平台开发柴油机失火故障数据采集软件,提出利用小波分析方法对采集到的柴油机缸盖振动加速度信号进行消噪与特征提取,并采用BP神经网络和支持向量机分别对采集到的信号进行模式识别研究,并进行对比。主要有以下结论：（1）利用LabVIEW虚拟仪器软件开发平台搭建柴油机失火故障数据采集系统,当设置好采样频率、连续采样时间、重复采样次数、故障状况以及保存路径后,软件可自动按照采样参数将数据以文本格式保存在相应目录中,采用LabVIEW搭建数据信号采集系统方便快捷、稳定可靠。（2）设计了柴油机失火故障诊断硬件系统,以295D型柴油机作为研究对象,使用FC2010测控系统（FC2010测控仪,CW40系列电涡流测功机）控制调节柴油机的转速和负载,使用CA-YD-106型压电式加速度传感器、YE583A型电荷放大器、SCB-68型接线盒、PCI-6040E型数据采集卡组成故障数据采集系统。（3）基于小波分析方法,提出运用改进阈值消噪方法对信号进行消噪处理,该方法克服了硬阈值消噪后信号存在振荡问题,以及软阈值消噪后信号与真实信号存在恒定偏差的问题。通过大量的试验研究得出,当改进阂值消噪方法中的参数因子θ=0.2以及使用db6小波基函数5阶小波分解时进行消噪达到的消噪效果最佳。这些参数的确立为后续数据处理奠定基础。（4）试验数据分析表明,在不同工作状态下,柴油机缸盖振动加速度信号较大幅值对应的频率带会随着工作状态的改变而发生相应的变化,相应频带内信号能量也会因此发生改变,因此,可以利用柴油机振动加速度信号不同频带内的能量对柴油机的工作状态进行诊断识别。（5）采用db6小波基函数对每组信号进行4阶小波包分解,分解成16个子频段,分别计算分解之后16个子频段的信号能量,并进行归一化处理,然后将归一化之后的16个子频带信号能量作为一个能量特征向量,将得到的能量特征向量作为该组振动加速度信号的特征向量。（6）对于本试验信号的诊断识别,BP网络识别准确率最差为82.50%,最高达到97.50%,并且识别准确率较稳定；支持向量机SVM识别准确率最差为60.00%,最高达到97.50%,并且识别准确率不稳定,识别准确率大部分集中在70%左右。对比各种工况,得出使用BP神经网络对柴油机失火故障诊断效果较好。（7）试验结果表明,该系统能够有效地识别柴油机在拟定的几种工况下的失火故障,实现了利用缸盖振动加速度信号对柴油机失火故障进行无拆卸诊断。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究目的与意义
• 1.2 研究现状
• 1.2.1 国内外柴油机故障诊断技术的研究现状
• 1.2.2 国内外柴油机失火故障诊断技术的研究现状
• 1.3 研究内容及技术路线
• 1.3.1 研究内容
• 1.3.2 技术路线
• 2 基于虚拟仪器的柴油机失火故障检测系统的试验研究
• 2.1 基于虚拟仪器的柴油机振动加速度信号采集系统
• 2.2 故障诊断系统的硬件设计
• 2.2.1 试验对象
• 2.2.2 加速度传感器的选择
• 2.2.3 电荷放大器的选择
• 2.2.4 数据采集卡和接线盒的选择
• 2.3 数据采集模块程序设计
• 2.3.1 数据采集程序总体结构
• 2.3.2 数据采集程序前面板
• 2.3.3 数据采集程序
• 2.4. 柴油机振动特性分析
• 2.4.1 柴油机振动激振源
• 2.4.2 振动加速度信号的传播途径
• 2.5 柴油机振动试验设计
• 2.5.1 传感器测点选择
• 2.5.2 试验中采样频率和采样点数选择
• 2.5.3 试验方案
• 2.6 试验结果分析
• 3 基于小波消噪的柴油机振动加速度信号预处理方法研究
• 3.1 小波分析
• 3.1.1 连续小波变换
• 3.1.2 离散小波变换
• 3.2 信号消噪
• 3.2.1 阈值消噪方法
• 3.2.2 改进阈值消噪方法
• 3.3 基于小波分析的改进阈值消噪方法研究
• 3.3.1 小波消噪在振动加速度信号中的应用
• 3.3.2 改进阈值消噪方法参数因子的选择
• 3.3.3 小波消噪中小波基函数及分解层数的选择
• 4 信号的模式识别
• 4.1 信号特征值提取
• 4.1.1 信号的小波分解
• 4.1.2 信号的能量谱特征分析
• 4.1.3 信号的能量谱特征提取
• 4.2 基于BP神经网络信号模式识别系统的研究
• 4.2.1 神经网络概述
• 4.2.2 BP神经网络
• 4.2.3 BP神经网络的设计
• 4.2.4 柴油机失火故障的BP网络训练
• 4.2.5 柴油机失火故障的BP网络验证
• 4.3 基于支持向量机信号模式识别系统的研究
• 4.3.1 支持向量机概述
• 4.3.2 支持向量机的设计与训练
• 4.3.3 支持向量机的验证
• 4.4 两种识别方法的对比
• 5 结论与讨论
• 5.1 结论
• 5.2 讨论
• 参考文献
• 致谢