隨著科學技術的發(fā)展,汽車發(fā)動機結構越來越復雜,但其故障診斷技術卻遠遠落后于汽車技術的發(fā)展,尤其軍用車輛柴油發(fā)動機機械故障診斷離實用要求有更大的距離,為了提高軍用車輛保障能力,目前急需研究一套高效、準確的汽車發(fā)動機診斷系統(tǒng)。本論文以東風EQ2102汽車6BT5.9型柴油發(fā)動機為研究對象,簡單介紹了柴油發(fā)動機機械故障機理,分析了柴油發(fā)動機故障診斷的研究現(xiàn)狀及發(fā)展趨勢;針對柴油發(fā)動機機械故障,采用振動診斷法,設計了發(fā)動機機體加速振動信號的測量方案,采用小波分形、小波包AR譜、雙譜等技術對發(fā)動機振動信號進行處理,提取出典型故障的特征參數(shù),并利用粗糙集理論進行了數(shù)據(jù)挖掘,提取關鍵診斷參數(shù),剔除干擾信號;最后用蟻群算法優(yōu)化神經(jīng)網(wǎng)絡,設計出了軍用車輛發(fā)動機故障診斷系統(tǒng)。通過分析和研究,得出如下結論:柴油發(fā)動機機體表面的振動信號隱含著大量的故障信息,可以通過對其分析實現(xiàn)對發(fā)動機故障診斷;小波變換對原始信號分解后,對特定層重構成時域信號,計算分形維數(shù),能夠敏感地反映故障部位的特征;加速狀態(tài)下的振動信號經(jīng)小波包AR譜處理后,分段計算頻段累加能量,可發(fā)現(xiàn)特定頻段能量值與對應技術狀態(tài)成比例關系,可作為特征參數(shù)...

【文章頁數(shù)】：102 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 論文研究的背景和意義
        1.1.1 論文研究的背景
        1.1.2 論文研究的意義
    1.2 汽車發(fā)動機故障診斷研究現(xiàn)狀及發(fā)展趨勢
        1.2.1 發(fā)動機故障信號的獲取方法
        1.2.2 發(fā)動機信號處理和故障特征的提取方法
        1.2.3 發(fā)動機故障模式識別技術
        1.2.4 發(fā)動機故障診斷技術的發(fā)展趨勢
    1.3 論文的組織與結構安排
第二章 車輛發(fā)動機機械故障及振動信號的測量
    2.1 引言
    2.2 發(fā)動機的基本結構及常見故障
        2.2.1 發(fā)動機的基本結構
        2.2.2 發(fā)動機常見故障
    2.3 發(fā)動機振動信號的測量
        2.3.1 選擇測試位置
        2.3.2 選擇測試轉速
        2.3.3 診斷對象技術狀況設定
        2.3.4 定轉速非穩(wěn)態(tài)信號測試系統(tǒng)的組成
        2.3.5 定轉速非穩(wěn)態(tài)信號測量及信號的幅域分析
    2.4 小結
第三章 基于小波分形技術提取發(fā)動機振動信號故障特征
    3.1 引言
    3.2 小波分析基本理論
        3.2.1 小波變換的發(fā)展
        3.2.2 連續(xù)小波變換
        3.2.3 離散二進小波變換
    3.3 分形基本理論
        3.3.1 分形的定義和性質
        3.3.2 網(wǎng)格維數(shù)的計算方法
        3.3.3 網(wǎng)格維數(shù)的仿真計算[68]
    3.4 基于小波分形技術提取發(fā)動機故障特征
        3.4.1 小波分形技術的基本思想
        3.4.2 利用小波分形提取故障特征
        3.4.3 計算結果分析
    3.5 小結
第四章 基于小波包AR譜提取發(fā)動機振動信號故障特征
    4.1 引言
    4.2 小波包分解與重構算法
    4.3 AR譜估計
    4.4 小波包AR譜提取特征過程
        4.4.1 小波包分解
        4.4.2 分頻段重構時域信號
        4.4.3 AR譜分析
    4.5 基于小波包AR譜提取發(fā)動機故障特征
        4.5.1 利用小波包AR譜分析發(fā)動機振動信號
        4.5.2 發(fā)動機振動信號小波包AR譜特征提取
        4.5.3 分析結果討論
    4.6 小結
第五章：基于雙譜理論提取發(fā)動機振動信號故障特征
    5.1 引言
    5.2 高階譜基本理論
        5.2.1 累積量與高階譜定義
        5.2.2 高階譜的性質[70]
    5.3 基于非參數(shù)的雙譜估計
    5.4 基于雙譜理論提取發(fā)動機振動信號故障特征
    5.5 小結
第六章 基于粗糙集理論提取發(fā)動機振動信號故障特征
    6.1 引言
    6.2 粗糙集理論的基本概念
        6.2.1 知識的概念與決策系統(tǒng)
        6.2.2 不可分辨關系
        6.2.3 粗糙集的上近似、下近似、邊界區(qū)和近似精度
        6.2.4 屬性約簡
        6.2.5 粗糙集特點
    6.3 基于粗糙集理論的發(fā)動機故障特征提取
        6.3.1 信號處理與產(chǎn)生決策表
        6.3.2 計算屬性對決策近似精度
    6.4 小結
第七章 基于蟻群神經(jīng)網(wǎng)絡的發(fā)動機故障診斷系統(tǒng)研究
    7.1 引言
    7.2 人工神經(jīng)網(wǎng)絡
        7.2.1 人工神經(jīng)網(wǎng)絡基本原理
        7.2.2 人工神經(jīng)網(wǎng)絡的主要學習算法
    7.3 蟻群算法的基本理論
        7.3.1“雙橋”實驗
        7.3.2 蟻群算法的生物原理
        7.3.3 蟻群算法的本質
        7.3.4 蟻群算法的應用及展望
    7.4 蟻群優(yōu)化算法與神經(jīng)網(wǎng)絡的結合
        7.4.1 蟻群算法優(yōu)化神經(jīng)網(wǎng)絡的基本思想
        7.4.2 蟻群算法優(yōu)化神經(jīng)網(wǎng)絡的實現(xiàn)過程
        7.4.3 蟻群算法優(yōu)化神經(jīng)網(wǎng)絡的流程圖
    7.5 基于蟻群神經(jīng)網(wǎng)絡的柴油發(fā)動機機械故障診斷系統(tǒng)
    7.6 小結
第八章 結論與展望
    8.1 論文的主要結論與創(chuàng)新點
    8.2 需進一步解決的工作
參考文獻
攻讀碩士學位期間取得的學術成果
致謝



本文編號：3975985