基于声强知识与神经网络融合技术的发动机故障诊断研究

《基于声强知识与神经网络融合技术的发动机故障诊断研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要摘要故障诊断是--f-j多学科交叉的综合性学科，随着故障诊断技术的不断发展和完善，其在现代工业化生产中发挥着越来越重要的作用。开展发动机智能化故障诊断的理论和应用研究将为发动机的生产、设计和维护提供参考和技术支持，具有重要的现实意义．本文在充分考察国内外发动机故障诊断技术和应用现状的基础上，深入开展了基于声强知识和神经网络融合的发动机智能化故障诊断研究，其主要研究内容包括：一，根据声强测试原理和虚拟仪器技术，提出了计算频域和时域声强的直接获取法，在此基础上建立了发动机声强自动测试系统，描述了利用该系统获取

2、发动机声强信号的方法和过程。二，秘甩频域和时域信号分析法提取发动机故障诊断特征信息，并对发动机典型异响故障的近场声强特征进行了详细研究。三，对发动机声强知识融合技术进行了深入研究，将来自不同知识源的知识信息进行处理并协同利用，在此基础上利用UML语言建立了发动机故障诊断知识库。四，基于模块化神经网络，组建了发动机故障诊断网络。从工作、训练和学习三个方面实现了诊断网络与声强知识的融合诊断。五，通过分析发动机故障诊断模型的任务分类及其映射模型，构建了发动机故障诊断模型框架，在此基础上以信息流集成的方式确定了基予声

3、强知识与神经网络融合的发动机故障诊断模型。六，通过分析发动机故障诊断模型的各项运行参数，建立了包括效率评估、精度评估和可靠性评估在内的发动机故障诊断模型的效能评估体系。七，根据发动机故障诊断模型，对基于声强知识与神经网络融合的发动机故障诊断实施过程进行了继续研究，通过应用举例验证了本项研究的合理性。本文通过发动机声强知识与模块化神经网络的有效融合，实现了发动机工作状态的非接触监测、在线诊断和学习。通过现场测试，验证了发动机故障诊断系统镗有效识别所学习的发动机工作状态，确定故障部位和性质，寻找故障产生原因。本文

4、的研究方法为建立更为完善的发动机智能化故障诊断系统提供了新的途径。关键词：发动机，敌障诊断，声强，神经网络，知识融合，虚拟仪器ABSTRACTFaultdiagnosiscrosscutsmultipledisciplines．Withmanyrecenttechnologicaladvancementsandimprovements，thistechnologyisplayingamoreandmoreimportantroleinmodemmanufacturingindustry．Therefore，s

5、tudyingthetheoryandtheapplicationofintelligentenginefaultdiagnosiswillhaveasignificantpracticalimpact．Thispaperpresentsmyresearchonthedevelopmentofanintelligentenginefaultdiagnosisapplication．Thisapplicationisbasedontheanalysisofthesoundintensitycharacteris

6、ticsforvariousfaults．ItUSeSamodularneuralnetworkforrecognizingthesoundintensitycharacteristics．Theresearchmakesthefollowingcontributions．First，basedonthesoundintensitydetecfionandvirtualinstrumenttechnology,anautomaticsoundintensitycollectionandanalysissyst

7、emforengineshavebeendeveloped．Second，thesoundintensitycharacteristicsofenginefaultsareextractedbyfrequencyandtimedomainanalysismethod．Adetailedstudyiscarriedoutonthenearfieldsoundintensitycharactedsficsoftypicalenginefaults．Third．witllthedeepstudyonengineso

8、undinteusityknowledgefusiontechnology,informationfromdifferentknowledgesourcesisprocessedandutilizedtogether,andafaultdiagnosticknowledgedatabaseofangineisbuiltwithUML．Fourth,amodularneuralnetworkhasbe