汽車發(fā)動機智能故障診斷理論及方法研究.pdf

1、本文在對汽車發(fā)動機智能故障診斷的理論與技術等內容進行綜述的基礎上，針對汽車發(fā)動機智能故障理論與技術所面臨的主要問題進行了研究。結合汽車發(fā)動機的結構組成，建立了汽車發(fā)動機故障診斷層次分類模型，提出了采用專家系統(tǒng)、人工神經網(wǎng)絡和粗糙集的集成智能故障診斷模型。基于小波分析、神經網(wǎng)絡以及粗糙集理論等技術和方法，研究了汽車發(fā)動機智能故障診斷技術中的特征提取、模式識別、知識獲取以及增量學習等關鍵技術。論文的主要內容如下： 結合汽車發(fā)動機的組

2、成、結構特點，分析了汽車發(fā)動機故障類別及故障診斷特點。針對汽車發(fā)動機這樣的典型的復雜往復機械，建立了汽車發(fā)動機故障層次分類診斷模型，降低了汽車發(fā)動機故障診斷問題的復雜性。提出了采用專家系統(tǒng)、人工神經網(wǎng)絡和粗糙集的集成智能故障診斷模型來具體實現(xiàn)所提出的汽車發(fā)動機層次分類診斷模型，為汽車發(fā)動機的多模型、多方法集成智能故障診斷技術的實現(xiàn)提供了一條新的途徑。 汽車發(fā)動機的振動信號中包含著豐富的狀態(tài)信息，振動信號分析一直是汽車發(fā)動機故障診

3、斷最為有效的手段之一。根據(jù)汽車發(fā)動機振動信號特征難以提取的特點，提出了基于時域分析和小波分析技術的特征提取方法。應用小波變換來進一步分析信號的時-頻特性，提出了汽車發(fā)動機振動信號處理中小波基函數(shù)的選擇原則，并依此確定了合適的小波基，利用小波包分解獲得了振動信號的時-頻特征參數(shù)。在建立了汽車發(fā)動機缸蓋振動信號的信息模型的基礎上，闡述了配氣機構的典型故障-氣門間隙異常的振動診斷機理，以汽車發(fā)動機缸蓋振動信號為例，提取出了用于刻畫振動信號特征

4、的參數(shù)，為后續(xù)的智能故障診斷技術的模式識別奠定了基礎。 汽車發(fā)動機的結構復雜性決定了其征兆域與故障域之間映射的復雜性，在分析粗糙集和神經網(wǎng)絡集成技術的基礎上，提出了適用于汽車發(fā)動機故障診斷模式識別的粗糙神經網(wǎng)絡，闡述了粗糙神經網(wǎng)絡的結構和學習方法。該網(wǎng)絡采用一對粗糙神經元取代了傳統(tǒng)神經網(wǎng)絡中的神經元，使得神經網(wǎng)絡的輸入拓展成一個連續(xù)的實數(shù)區(qū)間，增加了神經網(wǎng)絡的信息理解能力。并將其成功應用于汽車發(fā)動機氣門間隙的故障診斷過程中，診斷

5、結果表明，粗糙神經網(wǎng)絡的這種結構，不僅能夠準確地診斷氣門間隙故障，而且其診斷性能也優(yōu)于傳統(tǒng)的BP神經網(wǎng)絡。 在描述汽車發(fā)動機狀態(tài)的數(shù)據(jù)集中，由于一些主、客觀原因，常含有一些不完備的信息，針對故障診斷問題的不完備性，提出了分辨矩陣基元的概念，以此為基礎，定義了面向對象-極大相容塊的分辨矩陣，給出了利用定義的分辨矩陣求取約簡的方法。提出了一種面向對象-極大相容塊的故障診斷規(guī)則獲取方法，用于從不完備故障診斷決策表中直接獲取簡潔、直觀的