柴油机是一种结构复杂且应用广泛的往复式动力机械,其故障信息具有多样性、复杂性、难以诊断等特点。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,如噪声复杂、测试系统难以组建、运行环境不良、噪声难以消除等限制,导致对柴油机故障诊断效率低下,因此本文对基于PSO和DE优化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各种方法,对柴油机故障诊断存在的问题与困难作了深入的分析,并且分析了采用PSO和DE优化神经网络基本理论应用于柴油机故障诊断的可行性。其次对柴油机的基本结构、工作过程进行基本学习,从而确定了振动数据采集的测试方案,然后对采集回来的数据进行处理和识别,处理主要分为两个阶段,第一阶段,数据预处理阶段,其中包括采样、均值化、消噪、小波提取特征值,第二阶段,故障识别阶段,在经过粒子群算法、差分进化算法、神经网络理论学习后,建立了基于PSO和DE算法相结合优化BP神经网络的思想,然后对第一阶段提取出来的特征值进行训练并分类,从而达到故障识别的目的。最后选取测试集对训练好的神经网络进行性能测试,测试结果满足柴油机故障诊断的要求。最后将基于PSO和DE算法相结合优化BP神经网络的分类结果与单纯的PSO优化神经网络分类结果进行比较,比较结果表明前者具有其优越性。最终结果表明在结构复杂、噪声较高、模式分类困难的柴油机故障诊断应用上,基于PSO和DE算法相结合优化BP神经网络具有良好的诊断效果。