论文部分内容阅读
近些年来,故障诊断技术随着计算机技术以及模式识别技术等的发展而逐渐发展完善,而其中基于知识的故障诊断技术更是得到了快速的发展。随着神经网络和小波分析的不断发展,它们逐渐被应用于各种领域。基于神经网络良好的模式识别性能以及小波分解良好的数据处理性能,本文将小波分析和神经网络与故障诊断结合起来。 针对信号数据量大,数据冗余的特点,本文采用小波分解对获得的信号进行处理,包括数据的消噪处理和特征向量的提取。采用小波分解后,降低了故障信号的维数,同时能过滤掉多余的信号成分,突出故障成分,但不会对信号所包含的信息造成破坏,在实际应用中大大提高了故障诊断的准确率和诊断速度。 提出了一种基于粒子群算法(PSO)优化的径向基函数(RBF)神经网络。因RBF神经网络具有优秀的模式识别性能,且相比较于其它神经网络所具有的快速诊断能力,采用RBF神经网络作为本文的诊断技术。此外,针对RBF神经网络隐含层基函数中心的个数以及中心点的确定不够严谨的问题,采用粒子群算法来对基函数中心的确定进行优化,获得最优的基函数中心个数和基函数中心点,大大提高了RBF神经网络的诊断精度。 本文用柴油机验证设计的故障诊断方法的诊断性能。针对在线故障诊断设计了一个柴油机在线监测和故障诊断的整体结构,包括采集模块、监测模块、传输模块以及诊断模块四部分,四部分形成一个局域网。基于小波变换对采集模块进行设计,同时基于粒子群优化的RBF神经网络对诊断模块进行设计,实验证明,本文设计的故障诊断方法在诊断速度和诊断精度上都展现出了很好的性能。