论文部分内容阅读
由于柴油发动机的输出功率大、工作稳定、节油性好、持续耐久以及排气污染小等众多优势,它被大量应用于各种大型机械上。然而,这些机械因任务密集,使用频率较高,其中柴油发动机的故障率也突然增加。这导致对柴油机故障的预测和诊断处理要求逐渐增加,发动机诊断任务重,技术壁垒高。此外,因为大型机械要求长时间维持很好的工作状态,无法任意拆解柴油机进行诊断诊断,因此要求新的故障诊断与检测方法。本文就是在这个基础上提出用人工智能的方法进行发动机故障预测,即用PSO算法优化BP神经网络的参数并通过采集的发动机尾气数据,如HC、CO2、CO、O2的浓度值,选择输入神经元数目为4,故障类型为6个,设计的网络包含了6个输出神经元,通过训练后的模型进行故障诊断。本文的主要内容如下:首先,对柴油机发动机故障检测的研究现状进行综述,阐明了研究柴油发动机故障诊断的意义。并分析柴油机故障诊断系统的现状和发展趋势,并对人工神经网络的研究现状进行了分析。然后,对BP神经网络的柴油发动机故障模型进行分析,讨论在不加PSO算法优化时的预测模型,分析了柴油发动机故障预测机制。并介绍了BP神经网络的基本构成,各个模块的功能,讨论了BP神经网络用于柴油发动机故障诊断的模型。其次,对PSO优化的BP神经网络进行详细的研究,并将新算法用于柴油机故障检测。介绍了PSO算法的基本信息,并分析了算法原理和算法流程,然后研究了PSO算法和BP神经网络的结合过程,并对新算法进行了仿真,验证了PSO-BP算法的有效性。最后,以SC4H140Q4柴油发动机在无负荷条件下,采集不同转速下发动机尾气(CO、CO2、NOx、HC、和O2)为训练样本集,首先对样本进行归一化预处理,然后用训练样本集训练和验证神经网络模型,学习后的神经网络模型用测试样本对发动机气缸的工作状态进行诊断,进而得出发动机是处于什么故障状态。由验证数据集测试训练网络对故障检测的准确率,判断本文提出方法的可靠性。经过仿真结果和真实场景实验可知,本文提出的基于PSO算法优化的BP神经网络的柴油发动机故障诊断方法能够精确预测出柴油发动机的故障类型。