论文部分内容阅读
发动机作为汽车的动力源,其运行状态的好坏,直接影响到整车的工作状况。发动机产生的故障占全车故障的比例大,维修费用高,维修花费的时间也较长。同时发动机的结构也越来越复杂,工作条件越来越苛刻,故障的判断也越来越困难,为此,在发动机不解体的情况下若能及时准确地对其当前的技术状况做出判断,判明故障部位,指出故障原因和排除方法,这无疑将提高汽车使用的可靠性和安全性。本文是利用小波包分析和神经网络的智能方法对柴油发动机进行故障诊断研究的。小波包分析是一种能够将频率分辨到任意细节的信号处理方法,它不仅对低频信号能够进一步进行分解,而且对高频信号也能继续分解,因此在故障诊断方面得到了广泛的应用。本文选取db2小波函数,用改进的小波包软阈值消噪方法对采集的振动信号进行消噪处理,然后对消噪处理后的信号进行3层小波包分解与重构,进而提取归一化后的故障特征向量。神经网络具有极强的非线性映射能力,特别适合于非平稳信号的分析和复杂模式的识别,所以成为动力机械状态识别的有力工具。本文中采用神经网络中的概率神经网络作为故障模式分类识别的工具,根据试验的要求和需要求解的问题,最终确定网络的输入层神经元个数为9个、输出层神经元个数为28个,即模式识别数为28个。本文是利用DASP-V10专业分析软件对云内4100QB柴油发动机的振动信号进行采集。DASP-V10是一套运行在Window98/Me/NT/2000/XP/Vista平台上的多通道信号采集和实时分析系统,通过与北京东方振动和噪声技术研究所的不同硬件配合使用,即可构成一个可进行多种动静态试验的试验室。DASP-V10既具有多类型视窗的多模块功能高度集成特性,又具有操作便捷的特点。在对云内动力股份有限公司生产的4100QB柴油发动机进行试验的基础上,建立起了基于小波分析和概率神经网络的自适应故障诊断系统。该系统采集了柴油机缸体表面的振动信号,并将速度信号进行处理,也作为特征向量的一个参数。把提取的特征向量作为神经网络的训练样本,最终建立起了基于概率神经网络的故障诊断系统。通过输入检验样本对神经网络自适应故障诊断系统进行验证,结果表明该系统能有效地对故障进行分类识别,最终实现故障诊断。同时对影响概率神经网络故障诊断正确率的因素进行了分析,结果表明,训练样本的数量和质量是影响故障诊断正确率的主要因素,随着训练样本数量的增加,故障诊断的正确率提高;而扩展常数spread值的改变对本文中的故障诊断模型的故障诊断正确率是没有影响的。试验中应用DASP-V10专业软件采集了发动机在正常和非正常工作状况下的缸体和气缸侧壁上的振动信号,利用MATLAB小波分析源程序对振动信号进行消噪处理,提取相应的特征向量,作为神经网络的训练和检验样本。试验和分析结果表明,本文提出的基于概率神经网络的故障诊断方法简单易行,具有广阔的应用前景。