论文部分内容阅读
柴油机是一种应用广泛的往复式动力机械,其结构复杂,零部件多,运行工况多变,发生故障的可能性很大。对柴油机进行故障诊断研究具有很大的经济价值和社会应用价值。由于柴油机的故障特征及各种条件的限制,采用传统方法对柴油机进行故障诊断难以满足要求。近年来,随着计算机及人工智能的发展,借助于神经网络、模糊逻辑以及专家系统等人工智能技术的计算机诊断方法,是柴油机故障诊断研究的一个重要方向。因此本文对基于粒子群优化算法和模糊神经网络的柴油机故障诊断作了深入的学习与研究。首先,研究了柴油机故障诊断的国内外现状及其研究方法,对柴油机的基本结构和工作过程进行学习研究,根据其振动机理确定了振动数据采集的测试方案,对采集后的数据进行预处理,提取小波包各频段的能量作为故障诊断的特征值,判断柴油机的工作状态。其次,学习粒子群优化算法,针对粒子群优化算法易陷入局部最优和搜索精度不高的问题,提出一种带有自适应变异的双种群优化算法(Two Subpopulation Swarm PSO,ATPSO),通过采用两个使用不同惯性权重的子群扩大搜索范围,并借鉴遗传算法的杂交机制和自适应全局极值扰动策略,加快算法的收敛速度,提高算法跳出局部最优进行全局搜索的能力,并使用经典函数对算法的性能进行测试。同时考虑到粒子群优化算法与模糊神经网络的互补性,将改进的粒子群优化算法应用于模糊神经网络参数优化上,提出给出粒子群优化的模糊神经网络结构。最后,将基于粒子群优化的模糊神经网络应用于柴油机故障诊断。将提取的小波包频段能量作为故障特征带人神经网络,对柴油机故障数据进行诊断测试,结果表明结合后的算法取得了较好的性能,达到了良好的诊断效果。