本文在分析国内外智能诊断技术的研究现状及柴油机故障诊断的诸多方法的基础上,给出了一种基于神经网络的柴油机故障智能诊断方法,并且着重对柴油机的燃油系统和涡轮增压系统的故障诊断进行了分析研究。论文首先对故障诊断技术的研究现状及课题的研究内容进行了简要的论述,介绍了在柴油机故障诊断过程中采用的几种常见方法,指出了故障诊断存在的问题及将来的发展方向,并对神经网络原理进行了阐述。论文收集了大量的柴油机试验运行资料,获得了柴油机燃油系统和涡轮增压系统的模拟故障数据;把这些数据作为神经网络的输入样本,构建及训练神经网络,并对柴油机模拟故障进行诊断,得出故障诊断结果。神经网络是一种大规模并行的非线性系统,具有很强的联想学习能力、自组织、自适应和高度的非线性运算能力,因此在识别那些复杂变量的因果关系上拥有较强的判断能力。本文采用径向基函数(RBF)神经网络对故障进行诊断分析。系统研究了RBF神经网络,详细地探讨了三层RBF网络的结构、网络参数的设置、训练模式的选择;运用K-means聚类算法,将特征参数作为神经网络的输入向量,其诊断结论作为输出向量,对故障特征参数进行训练和识别诊断。仿真试验表明,基于神经网络的故障诊断结果与实测值具有良好的一致性,只要选择足够典型的原始故障样本训练神经网络,网络的容错性和稳定性就较好。基于神经网络的故障模式识别方法能充分利用信息特征,实现输入与输出之间的映射关系,得出准确的诊断结果。