一、利用模式识别对柴油机进行故障诊断的一种方法（论文文献综述）
高家宝[1]（2021）在《基于跨点频响的柴油机关键部件故障诊断研究》文中指出复杂柴油机系统作为车、船的主要动力来源,是车船动力推进系统的最重要的组成部分。柴油机系统的可靠性对于车、船设备的正常运行起着尤为关键的作用,而柴油机系统又由多个子系统和各个关键部件组成,因此柴油机关键机构部件的可靠性尤为重要,所以对柴油机关键部件进行可靠有效的故障识别十分必要。本文采用针对复杂机械结构特征提取技术、静动信息融合技术和模式识别技术对柴油机关键部件进行故障识别。首先对复杂柴油机系统的结构及其关键部件的结构组成、工作原理和其对应的容易发生的故障类型做出详细的阐述和深入研究。然后针对潍柴动力生产的WP10H350E62型6缸柴油机进行测点布置,并开展了柴油机运行状态下的动态振动响应实验和静止状态下的跨点频响实验,采集相应的静态信息和动态信息,然后重点对静态信息、动态信息和静动融合信息分别进行信号处理和分析。针对动态信息的原始信号,本文采用集合经验模态分解对原始信号进行自适应分解,对分解后的IMF分量进行相关系数和幅值能量计算,根据两个参数的对比选取最优的5个IMF进行重构以完成对原始信号的降噪。接着提取5个最优分量的排列熵组成特征向量作为动态特征,实现动态信息的特征提取。针对跨点频响实验采集的静态信息,然后计算其频响函数,为提高频带分辨率对频响函数进行小波包分解,将分解后子频带的小波包能量作为静态信息的特征。最终,运用灰狼算法优化的支持向量机对静态信息和动态信息分别进行故障识别,并且对比支持向量机和粒子群优化的支持向量机的分类结果来证明灰狼优化的支持向量机在针对本研究数据进行识别可以得到更高的识别率。静态信息和动态信息的故障识别结果都是单一类型的信号,为了全面反应柴油机关键部件的状态信息,本文利用信息融合技术对静态信息和动态信息进行静动信息融合。根据实验原始信号的特点以及各层信息融合的优缺点,最终选择对静态信息和动态信进行特征级信息融合。利用局部线性嵌入将动态特征和静态特征融合后得到静动信息特征,并对其进行分类识别,得到静动信息融合后的故障识别结果。根据分类结果表明:本文提出的基于跨点频响和静动信息融合的方法对复杂柴油机系统的关键部件故障分类识别结果高达97.5%,较传统振动响应信号的分类结果和单一静态跨点频响信号的分类结果准确率更高。由此可见,本文的基于跨点频响和静动信息融合的柴油机系统关键部件故障识别的可行性和有效性,为柴油机系统故障诊断和其他复杂机械结构的故障诊断提供了一种新的诊断方法和思路。
高志龙[2]（2020）在《基于状态智能预警驱动的柴油机IETM关键技术研究与应用》文中研究说明柴油机作为一种关键动力设备,被广泛用于船舶航运、轨道交通、石油化工、能源电力、矿山机械、装备动力等相关行业,在国民经济乃至国防安全领域发挥着极为重要的作用。但由于其部件众多、结构复杂、工况恶劣,极易发生故障。一旦出现恶性故障将会导致停工停产,严重时甚至引发危及人身安全的重大事故。然而,当前柴油机监测报警技术较为落后,故障发生后无法得到精准识别,导致检维修效率低下。通过研究柴油机故障发生机理与对应的特征信号,借助先进算法有效提取特征参数,以实现柴油机典型机械故障的预警与诊断。并将故障诊断与交互式电子技术手册（IETM）技术相结合,实现监测、预警、诊断、维修、维护、管理等综合保障功能的深度融合,从而提升柴油机运行的安全性、可靠性和可用性。本文以大功率柴油机为对象,以提高其典型机械故障预警诊断水平和维修保障能力为目标,通过对典型机械故障机理的深入分析,研究适用于不同种类故障的预警和诊断方法。结合智能诊断算法实现柴油机运行工况的自动识别,提高预警和诊断准确率。最后探索基于故障预警驱动的IETM设计方法与架构。论文各章节主要研究内容如下:首先,综合归纳大功率柴油机典型机械故障类型,理清传统诊断方法面临的问题与挑战,分析智能诊断预警技术现状。研究国内外IETM技术发展历程、技术难点和未来发展趋势。在现有研究基础上,总结基于智能预警驱动的柴油机IETM系统关键技术点。其次,针对柴油机连杆衬套滑移,轴瓦磨损两类疑难故障,开展理论建模研究。通过建立相关数学模型,寻找故障典型特征。提出基于SAW（声表面波）无源无线测温技术的柴油机轴瓦磨损类故障预警诊断方法。研制柴油机连杆大小头瓦无线温度传感器,通过故障模拟试验证明该方法的有效性;然后,针对曲轴弯曲微变形这类恶性故障,建立多体动力学模型,通过模拟、仿真、分析其对应的故障特征及敏感参数,探究该类故障预警诊断的有效方法,并通过理论分析与实际故障案例相结合的方式证明该方法可行性;研究基于振动信号自适应的EMD降噪和聚类算法的柴油机运行功率自动识别算法,通过该算法实现对柴油机运行工况的自动识别。在无需增加传感器的前提下,引入柴油机输出功率作为预警诊断参考指标。此外,结合瞬时转速、温度、压力等参数,研究基于多源信息融合的复杂故障预警诊断方法,提高故障预警诊断的准确性。在上述研究成果的基础上,总结柴油机典型故障诊断系统设计方法。并利用实验和工程实际案例数据对系统功能进行验证。最后,研究基于智能预警驱动的IETM设计方法与架构。梳理传统IETM研制流程和编制规范,提出智能预警诊断技术与IETM相结合的实现方案,并给出基于状态智能预警驱动的柴油机IETM总体实现方法和步骤。
杨海坤[3]（2020）在《基于瞬态冲击响应信号的某高速自动机故障诊断方法研究》文中指出对于长时间受循环应力,高速冲击以及在高温、高压恶劣环境条件下工作的武器,其零件容易产生裂纹,提前诊断出含有裂纹的零件以确保武器安全可靠具有重要意义。通过测试和分析高速冲击武器产生的振动信号是对其状态进行诊断的重要方法,但高速冲击武器的工作环境恶劣,其内部运动的零件众多,产生的振动信号成分复杂,既有以瞬态冲击信号为主的确定信号成分,也有大量包含高噪声的随机信号成分。这些使得振动信号携带零件的有效裂纹信息微弱,不能采用单一的经典理论提取振动信号的特征,而且目前针对瞬态冲击信号提取特征的理论较少,经典的频域处理方法及时频域处理方法往往不能直接有效处理这类以瞬态冲击信号为主要成分的复杂振动信号,需要基于这些经典理论并结合新的理论才能更好的对瞬态冲击信号提取有效特征。另外,诊断时需要对提取的特征进行机器学习和集成学习器,从而对学习器的学习能力以及采用的集成理论也要进行研究。本文以某高射机枪作为典型代表,研究基于瞬态冲击信号诊断高速冲击武器状态的方法,对高射机枪的高速自动机的故障进行诊断。具体地,对高速自动机的闭锁机构的3种典型裂纹进行诊断。首先采用运动形态分解的方法对测试的瞬态冲击信号进行预处理以剔除无效的信号段,其次从提取信号特征、优化学习器、集成学习器3个方面展开研究,最后利用集成学习器对高速自动机的故障进行诊断。在提取瞬态冲击信号的特征方面,本文提出积分上限变换法、概率密度函数法、信息表达力概念以及信息差异度概念以提取信号的特征;研究离散系统信息表达力的极值问题,以及仅知概率密度积分上限函数的离散值,而又不能求概率密度函数时,求取信号微分熵和微分表达力的方法;并基于提出的方法和概念、各态历经性指标、功率谱函数及Mallat离散小波分析,对瞬态冲击信号提取了6组特征,其中基于Mallat离散小波分析的能量比特征组为对照组。对瞬态冲击信号及其特征的分析表明:（1）信号是非平稳的,但可以利用处理平稳信号的方法进行分析;信号频率成分复杂,难以直接从频谱,连续小波分析的时频谱,希尔伯特幅值谱和边缘谱中提取有效特征。（2）提出的积分上限变换法具有改变信号各频率组分强度的作用,信号经过积分上限变换处理后,同状态信号的频谱表现出一定规律,提取的积分频谱特征组在基于模糊神经网络学习时,表现出的质量比对照特征组好。（3）提出的概率密度函数法在时间域以统计理念处理复杂瞬态冲击信号,基于固有模式函数IMF1、IMF2以及概率密度函数法提取的频率幅值特征组在基于支持向量机学习时,表现出的质量在所有特征组中最好,充分肯定了概率密度函数法的有效性。（4）直接基于频谱对信号提取的微分表达力比经过积分上限变换后对信号提取的微分表达力的质量更好,基于希尔伯特-黄瞬时频率比基于频谱提取的微分表达力和微分熵的质量更好,同时微分表达力与微分熵具有相同表征信号状态的能力。（5）提出的信息差异度概念具有合理性,但信息差异度的质量不佳,再次从侧面反映信号的复杂性。在优化和集成学习器方面,本文提出训练模糊神经网络的Moore-Penrose逆牛顿算法,构造了具有5层结构的模糊神经网络,利用随机特征测试模糊神经网络。对提取的特征组,采用模糊神经网络和支持向量机进行学习得到子学习器,将子学习器采用Bayes集成理论分层次进行集成得到集成学习器,利用集成学习器实现对高射机枪的闭锁机构的3种典型裂纹进行诊断,同时采用交叉验证法训练和测试学习器。研究结果表明:（1）Moore-Penrose逆牛顿法比Levenberg-Marquardt算法具有更好的收敛性和收敛速度。（2）小样本条件下,支持向量机的预测能力要高于模糊神经网络。尽管模糊神经网络处于过学习状态,提高模糊神经网络的节点数能够提高预测能力。（3）本文采用的Bayes集成理论能有效提高学习器的预测正确率。最终,本文实现以83.93%的预测正确率对高射机枪的高速自动机的故障进行诊断。考虑到实验条件、工作方式的多样性以及进行故障诊断的高难度,这样的预测正确率还是非常理想。
张志政[4]（2020）在《基于优化KPCA-SVM的船舶燃油系统故障监测和诊断研究》文中研究表明现代化大型船舶自动化程度日趋提高,船舶柴油机的故障监测和诊断技术已经成为提高船舶安全性和可靠性的重要方式之一。由英国柴油机工程师和用户协会提供的停机故障分析表明,造成柴油机停机后果的各种原因中燃油系统的故障占27%,比例最大。由于船舶柴油机燃油系统结构复杂,各个部件之间存在冗杂的非线性耦合关系,导致采集的样本数据具有典型的非线性多维特性,因此传统的线性方法在处理船舶燃油系统故障诊断问题时具有较大的局限性。本文以此为背景,开展了基于优化核主成分分析（Kernel Principal.Component Analysis,KPCA）和多分类支持向量机的船舶柴油机燃油系统故障监测与诊断技术研究。针对船舶燃油系统故障样本数据存在非线性强和噪声干扰的问题,首先提出采用KPCA对样本数据进行非线性特征提取,提取出样本数据特征的高维信息,其次在特征空间中构建T2和SPE统计量模型,最后通过监测样本数据统计量的变化实现了对船舶燃油系统故障的实时监测。由于KPCA性能受内部核函数参数影响,提出了基于粒子群优化核函数参数的选优方法,通过建立核函数参数优化模型,实现了 KPCA核函数参数的寻优,并对粒子群算法中惯性因子进行改进,在一定程度上防止了粒子群算法在优化过程中陷入局部最优,通过船舶燃油系统的故障监测实验表明该方法可有效减少非线性主成分个数,提高了故障监测的准确性。研究了基于多分类支持向量机进行故障诊断的方法,总结出限制多分类支持向量机故障诊断性能的两大因素:1、故障样本数据的质量;2、多分类支持向量机内核函数参数和惩罚因子的选择,在此研究基础上提出了基于粒子群优化KPCA-SVM的故障诊断方法,有效解决了船舶燃油系统故障特征非线性强、小样本分类精度低以及支持向量机参数选择难的问题,实现了三种算法的优势互补。为提高船舶柴油机燃油系统故障监测和诊断的精度,本文提出将基于KPCA的特征提取方法和多分类支持向量的故障诊断方法相结合,并采用改进的粒子群算法对KPCA和多分类支持向量机的核函数参数以及惩罚因子进行全局寻优,建立了基于粒子群优化KPCA的船舶燃油系统故障监测模型和基于粒子群优化KPCA-SVM的故障诊断模型,通过船舶燃油系统故障监测和诊断的仿真实验表明,本文提出的故障监测和诊断方法精度明显提高,验证了所提方法的有效性。
杜岩[5]（2020）在《基于时频图像识别的滚动轴承故障诊断方法研究》文中指出滚动轴承是各类机械设备中最常用的关键零部件之一,也是易损零部件。滚动轴承的运行状态直接影响到整台设备的性能及其运行的安全性与可靠性。因此,开展滚动轴承的故障诊断研究,对保障机械设备安全可靠地运行,避免重大及灾难事故的发生具有非常重要的科学意义和工程应用前景。由于运行过程中负载、转速等因素的变化,滚动轴承的振动信号表现出非平稳特性,而且这种非平稳特性会随着故障的发生变得更为明显。相比传统的时域分析和频域分析方法,时频分析能够更好地揭示非平稳信号在时频域中的幅值/能量分布及局部时变特征。因此,采用时频分析构建的振动信号时频图像蕴含了更加丰富的滚动轴承状态信息,通过对时频图像进行深入分析识别,可以更好地实现滚动轴承故障诊断。常见的基于时频图像识别的故障诊断方法大致可分为三类,分别为:基于人工分析的方法、基于传统机器学习的方法和基于深度学习的方法。其中,基于人工分析的方法是由专业人员分析时频图像揭示出的时频域特征来实现故障诊断,而其他两类诊断方法则是采用计算机对时频图像进行自动分类识别实现故障诊断。显然,基于人工分析的方法费时费力,其诊断结果也会受到人的主观因素影响。而且,由于时频图像的精准性会对专业人员的分析判断产生很大的影响,该类方法对时频分析的性能依赖最为严重。其他两类方法能够将专业人员从繁杂的图像分析识别中解放出来,诊断结果也更为客观。但基于人工分析的方法具有对数据量要求很低的优点,而其他两种方法都需要一定的数据量来训练模型,尤其是基于深度学习的方法更是需要大量的数据用于训练。此外,这三类方法的识别率及稳定性都有待进一步提高。总之,三类方法各有优缺点,都还存在一些问题有待进一步研究。本文主要研究工作包括以下三个方面:（1）滚动轴承振动信号时频分析方法研究基于人工分析的方法对时频分析的性能依赖最为严重,而常用时频分析方法存在分析结果不稀疏、分辨率低、受交叉项干扰的问题,为此,提出了一种基于一阶原始对偶算法的稀疏时频分析方法。该方法基于稀疏表示理论构建稀疏时频分析模型,并采用一阶原始对偶算法对模型进行求解。由于该方法本质上是一种线性时频分析方法,且引入了稀疏约束,因此能够获得比传统方法更高的时频分辨率和时频聚集性,且不存在交叉干扰项。对仿真信号的分析结果表明,该方法能克服传统时频分析方法结果不稀疏、分辨率低、交叉项干扰等缺点,且具有更好的去噪能力。利用西储大学轴承数据进行了实验分析,结果表明,相比传统时频分析方法,本文方法能够获得稀疏性更好、时频分辨率和聚集性更高的轴承振动信号时频图像,在准确地反映出信号时频特征的同时也使得故障冲击特征更为明显,为专业人员进行故障诊断提供更精确的信息。（2）基于时频图像纹理特征迁移的滚动轴承故障诊断方法研究针对变工况条件下训练数据和测试数据的特征分布存在差异,导致基于传统机器学习的方法诊断性能下降的问题,提出了一种基于时频图像纹理特征迁移的滚动轴承故障诊断方法。该方法首先采用时频分析将振动信号转换为时频图像,接着提取时频图像的灰度共生矩阵纹理特征作为反映轴承状态的特征向量,之后利用联合分布适配算法将不同工况下的纹理特征映射到低维潜在空间,最后将得到的分布差异小的公共迁移特征作为最近邻分类器的输入,实现对轴承故障的准确诊断。由于采用了联合分布适配算法进行特征迁移学习,该方法能够利用来自一种工况的数据进行训练来实现对其他工况数据的准确分类诊断。利用西储大学轴承数据进行了实验,结果表明该方法能很好地提取出不同工况样本数据的公共迁移特征,从而显着提高变工况条件下的诊断性能。（3）基于深度迁移学习的滚动轴承故障诊断方法研究针对传统深度学习诊断方法在变工况条件下诊断性能出现下降,以及少量单一工况数据无法有效训练深度网络的问题,提出了一种基于深度迁移学习的滚动轴承故障诊断方法。该方法采用时频分析将振动信号转换为时频图像,结合深度迁移学习和残差学习理论提出了一种迁移深度残差卷积神经网络（Transfer Deep Residual Convolutional Neural Networks,TDRCNN）用于自动学习时频图像特征同时完成分类诊断。由于采用了深度迁移学习方法,TDRCNN能够充分利用从来自一种工况（源领域）的大量数据和另一种工况（目标领域）的少量数据中学习到的知识对目标领域数据进行准确分类诊断。此外,残差结构的引入还解决了传统卷积神经网络存在的训练难度大和性能下降问题。采用西储大学轴承数据进行了实验验证,结果表明本文提出的TDRCNN在训练、故障识别、可视化特征聚类与分离方面都优于无迁移网络和没有采用残差结构的迁移网络。同时,实验结果也验证了所提出方法在不同时频分析方法、不同工况差异下的有效性。
李瑞良[6]（2020）在《电控燃油系统异常喷射故障诊断方法研究》文中研究表明电控燃油系统作为高压共轨柴油机的重要组成之一,它的工作状态直接影响柴油机的工作性能。喷油器是电控燃油系统的核心部件,喷油器工作环境极为恶劣:喷嘴部分直接与燃油接触易受到燃油质量影响,并且处于缸内燃烧时的高温、高压恶劣环境,非常容易出现故障。当喷油器发生异常喷射故障时,直接影响燃油喷射质量,导致燃烧效率下降和排放加剧,降低高压共轨柴油机的性能指标,严重时甚至引发高压共轨柴油机其他部件的故障而危及机器和工作人员的安全。因此,准确预测和诊断电控燃油系统喷射故障对保证高压共轨柴油机的工作效率和工作安全具有重要的意义。电控燃油系统高压管路内的压力波形、波动频率等信息体现了高压共轨柴油机的工作状态,当发生异常喷射故障时改变了喷油量,进而导致压力波动变化。利用压力信号对电控燃油系统进行故障诊断越来越受到研究人员的重视。如何从压力信号中提取有效的故障特征信息用来准确识别高压共轨柴油机的故障类型,是高压共轨柴油机故障诊断的研究重点。本文针对喷油器故障引起的异常喷射现象,研究了基于压力波动的故障特征提取与诊断方法。首先,分析了电控燃油系统常见故障产生的原因及影响,针对喷油器堵塞和针阀卡滞故障,设计了基于仿真与实验方法的故障机理分析与诊断方案。其次,根据某高压共轨系统,基于AMESIM建立了电控燃油系统仿真模型,并进行了试验验证。基于此模型,研究了正常与异常喷射的波动机理,得到了针阀运动状态和压力波动的影响规律,并分析了故障对压力波动频率成分的影响。然后,研究了Hilbert-Huang变换的故障特征提取方法。针对Hilbert-Huang变换中存在的端点效应和虚假模式问题进行了优化,应用优化的Hilbert-Huang变换对共轨管和高压油管的压力信号进行EMD分解和Hilbert变换,得到IMF分量和相应的Hilbert边际谱,依据压力故障频率成分,提取了共轨管压力的IMF3,IMF4,IMF5及IMF6和高压油管的IMF1,IMF2及IMF5分量的归一化能量值分别作为故障诊断的特征参数。最后,搭建电控燃油系统实验平台,模拟喷油器故障,测取了不同工况的压力数据,采用Hilbert-Huang变换方法提取了故障特征,并应用SVM分类器进行了训练和模式识别,实现了电控燃油系统故障喷油器故障诊断。实验结果表明,该方法可以有效地诊断电控燃油系统异常喷射故障。
魏东海[7]（2019）在《基于缸盖振动信号的柴油机变工况气门间隙异常诊断方法研究》文中指出气门是柴油机的主要运动部件之一,它的工作好坏直接影响到柴油机的换气效果。由于气门运动十分频繁,且伴有不断的冲击,因此很容易发生磨损导致气门间隙发生改变,这会导致柴油机输出功率下降,严重时可能会引起其它部件的故障进而危及到整台机组和现场工作人员的安全。因此,准确及时地诊断出气门间隙异常的故障对于保障柴油机的工作效率和工作安全起着十分重要的作用。目前,基于振动信号的诊断方法因其具有信号便于采集和监测等优点被许多研究人员用于柴油机的故障诊断中。特别是缸盖振动信号,包含了大量关于气门冲击的有效信息。然而柴油机本身结构较为复杂,振动传播的路径较多,缸盖振动信号一般表现出明显的非平稳特性。如何更加有效的从采集到的缸盖振动信号中提取到表征气门间隙异常的敏感故障特征,以及对于不同的故障类别进行准确的识别是目前基于缸盖振动信号分析的气门间隙异常的故障诊断技术中两个急需解决的关键性问题。本文基于上述关键性问题,主要进行了以下几方面的实验和研究:（1）在变工况条件下进行了气门间隙异常的故障模拟实验。针对现场实际机组搭建了成套状态监测系统,对气门间隙增大时缸盖振动信号进行了监测,并采集了7种不同气门间隙状态的振动信号。在时域上,分析了冲击信号在一个周期振动信号中的相对位置;在频域上,对缸盖振动信号中各激励产生的冲击成分所处的频段范围进行了研究。（2）对比分析了不同的非平稳信号处理方法,主要包括:小波包分解,集合经验模态分解以及变分模态分解。在详细介绍原理基础之上,研究了变分模态分解的参数优化选择方法和气门间隙异常的故障特征提取方法,依据最小功率谱熵值原理,实现了惩罚因子和分解层数的自适应选取。对处理后的信号提取了时域、频域和奇异值等特征。（3）研究了多种特征降维处理方法和基于机器学习的故障模式识别方法。首先,利用t-分布邻域嵌入算法将高维特征降至三维,进行了可视化分析,k-最近邻算法中通过分析最高识别率下的k值来确定最优参数;然后,利用核主成分分析方法进行非线性降维,依据特征贡献率了选定能表征90%原始特征信息的低维特征;最后,基于随机森林中的特征重要性得分进行了特征选择。将小波包分解和支持向量机结合,集合经验模态分解和k-最近邻结合,变分模态分解-奇异值分解和随机森林结合,对这三种故障诊断方法进行了对比分析。
毕晓阳[8]（2019）在《基于单通道振动信号解析的柴油机典型故障智能诊断方法研究》文中研究说明柴油机由于复杂的结构和恶劣的工作条件导致故障时有发生。为保证柴油机及以其为动力源的机械系统安全可靠地工作,减少因突发故障带来的损失,柴油机健康状态评估与不解体故障诊断成为现阶段的前沿研究课题之一。柴油机振动信号中包含了丰富的工作状态信息,但由于柴油机结构复杂、运行工况多变,且在故障发生早期其特征信号往往是相对弱功率的信号,无法直接利用柴油机振动信号评估柴油机健康状态和诊断故障。因此,如何对柴油机振动信号进行深度分析,并提取能够表征其运行状态的关键特征参数,就成为柴油机故障诊断方法研究中的关键问题。论文从柴油机常见故障问题出发,将出现概率较高的气门间隙故障与燃油系统故障作为识别对象,开展了由单通道振动响应信号提取并识别故障源信号及其状态特征的故障诊断方法的研究工作,主要成果如下:（1）论文提出了一种优化的变分模式分解（VMD）与独立分量分析（ICA）相协同的信号处理方法,可由单一通道振动信号快速准确地提取出多个独立的源信号。首先,利用VMD算法对单一通道信号进行分解,得出了一系列的本征模态函数（IMF）。该方法较传统经验模态分解（EMD）等递归分解方法在准确性方面具有较大的优势。然后,利用ICA算法对VMD算法所得结果进行处理,解决了VMD算法无法区分柴油机中可能存在的同频率非同源信号的问题。分析过程中,对VMD算法的分解层数K与二次罚项α进行了优化,提出了一种获得最佳参数组合的有效方法,针对论文所选柴油机最终确定了最佳参数组合为K=6、α=8400。最后对比分析了ICA的多种算法,包括快速独立分量分析（Fast ICA）、鲁棒性独立分量分析（Robust ICA）和基于核方法的独立分量分析（KICA）对VMD分解结果进行二次处理时的准确性与计算效率,结果表明Robust ICA在准确性与计算效率方面具有相对较好的综合性能。论文采用优化的VMD与Robust ICA协同分析的方法对实测振动信号进行了处理,并取得了很好的效果,为下一步的故障特征提取打下良好基础。（2）在故障特征提取研究方面,提出了一种双谱对角线投影分析方法,解决了现阶段双谱分析对角线切片方法易丢失大量的双谱分析结果信息以致不能全面体现振动信号特征的问题,实现了对振动源信号双谱分析结果中的特征信息更为精确的提取。论文首先提出了对角线投影和对角线累积两种分析方法,对比分析了两种方法所得的振动源信号特征,并与原始的对角线切片方法所得振动源信号特征进行了对比,结果表明对角线投影方法能够获得更为全面的特征信息。然后对前述优化VMD与Robust ICA协同方法处理后所得的独立源信号进行了双谱分析,以双谱对角线投影结果为基础,计算了均值、方差、偏斜度、峭度、峰峰值、方根幅值、均方根值、香农熵、最大奇异值、四阶累积量等十种不同的特征参数并进行对比。提出了一种可视化的特征参数选择方法,实现了由单一参数同时描述特征的聚类程度与类间区分度,并依照这一方法对十种参数进行优先级的排序,为故障模式智能识别提供了特征参数的选择依据。（3）论文在对振动信号的处理方法和故障特征提取方法进行深入研究的基础上,设计了基于深度信念网络（DBN）的多重样本分类器,将优先级最高的四个特征参数作为分类器的输入,对柴油机的工作状态进行了识别。首先利用特征参数代替原始信号作为DBN分类器的输入,简化深度信念网络的结构,提高了诊断效率。然后构建DBN网络,对柴油机气门间隙、喷油量两种常见典型故障共六种状态（包含早期故障在内的五种故障状态和正常状态）进行识别,验证了DBN具有较好的故障模式识别能力和效率,实现了对多种类型故障及其故障程度快速准确的诊断。最后,经与遗传算法-BP神经网络（GA-BP）所得诊断结果进行对比表明,无论是单一故障诊断的准确率还是多种故障诊断的准确率均有显着提升,其中对多故障识别的准确率由87%上升到了95.3%,从而验证了论文所设计的分类器的优越性。综上所述,论文利用单通振动信号,以VMD、ICA、双谱分析和DBN等方法为基础,通过大量优化与对比分析建立了一套准确高效的柴油机典型故障诊断方法体系,对早期故障的识别能力和对不同工况的适应性上均取得了较好的效果。该方法体系虽然针对柴油机典型故障建立,但具有一定的普适性,对机械机构健康状态评估及早期故障诊断技术开发与工程应用具有一定的指导作用。
刘岩[9]（2019）在《基于振动信号的柴油机关键节点提取与诊断》文中研究指明柴油机燃烧过程是柴油机动力产生的决定性过程。柴油机燃烧过程含有丰富的柴油机状态信息,对柴油机燃烧过程进行检测,可检测出柴油机燃烧过程中可能出现的燃烧不良及其诱发的故障。常见的柴油机燃烧过程检测方法有三种:瞬时转速法、缸内圧力曲线法和振动信号法。其中,由于传感器限制,瞬时转速法难以对于高转速柴油机进行检测;而缸内圧力曲线法压力传感器昂贵且难以实现非侵入式检测,故无法实现大规模的工业应用;振动是柴油机运行过程中必然产生现象,其测量简便且包含了大量的燃烧过程信息,是实现燃烧过程不解体检测的有效手段,具有重要的研究与应用潜力。本文以直立两缸柴油机为研究对象,对使用振动信号检测燃烧过程进行了研究。首先,为了排除其他激励源对燃烧过程分析的影响,确定燃烧窗口期,本文利用Wigner-Ville谱矩抑制其它激励快速确定了燃烧窗口期,实现了燃烧冲击与其它成分的分离。其次,考虑柴油机具有二阶循环平稳特性,针对其加速度振动信号使用谱相关密度函数自适应寻找与燃烧过程有关的频带,利用优选频带对燃烧冲击进行滤波。对滤波后信号进行数值积分得到其振动速度信号。最后,利用鉴相信号对速度信号进行角域采样,将速度信号与柴油机曲轴转角关联。再使用同步角域平均消除随机干扰对速度信号特殊点位（始燃点、压力最速上升点、最大压力值点）提取的影响,从而将燃烧中几个关键点位与曲轴转角关联起来,通过对关键点位出现时的曲轴角度进行分析对发动机燃烧迟滞、早燃、共轨压力异常等故障进行了检测,并通过实验数据验证了方法的有效性。
谢文琪[10]（2019）在《柴油机燃烧室部件声发射监测诊断方法研究》文中进行了进一步梳理经济、高效、长寿命和智能化是现代船舶柴油机发展的主要要求。燃烧室部件的工作环境最为恶劣,故障发生的概率在整个柴油机中占比最大,因此燃烧室部件的状态监测是柴油机朝智能化方向发展的前提。船用发动机声发射信号中蕴含有丰富的故障状态信息,声发射监测技术具有无损、高信噪比的独特优势,在柴油机监测诊断方面的应用研究越来越受到重视。但如何通过选择合适测点位置,通过更少传感器,实现燃烧室部件的故障定位与严重程度判断尚需进行研究。本文以某型号6缸四冲程废气涡轮增压船用柴油机为研究对象,针对燃烧室易出现的不同故障,进行了相关研究,以实现利用声发射信号对柴油机燃烧室部件不同故障进行监测诊断。论文的主要研究内容和成果如下:（1）传感器安装位置对获取的声发射信号和诊断效果有影响,为确定缸盖最优测点,在缸盖底部7个位置施加了标准的Hsu–Neilson源,并获取了缸盖顶部10个测点的声发射信号,选用声发射能量衰减因子k和测点与声发射源之间的距离x的乘积kx作为测点敏感性的评估参数,通过静态试验确定了对缸内主要声发射源的敏感性最强的测点位置（P5测点）。（2）为了进一步验证静态试验结果,以柴油机第1缸（从飞轮端起）为对象,进行了喷油器故障和排气阀漏气故障的模拟试验。研究发现P5测点的声发射信号信噪比更高,适合用于燃烧室部件故障的识别与诊断,并且在故障程度较轻时,即平均指示压力相对正常值变化不大,P5测点声发射信号的特征值变化也较明显。但对于反映活塞环与缸套之间的摩擦与撞击过程,主敲击侧机体外表面测点Pw声发射信号强于P5测点。（3）针对船用柴油机燃烧室部件易出现的喷油压力减小、单缸失火、喷嘴堵塞、针阀磨损、排气阀漏气和活塞环磨损故障,设计了一系列不同故障程度的模拟方案,编写了基于LabVIEW软件的数据采集程序,构建了柴油机燃烧室部件故障模拟试验的测试系统。（4）分析了各故障模拟试验信号特征,提取了喷油压力减小、单缸失火、喷嘴堵塞、针阀磨损、排气阀漏气和活塞环磨损故障的故障参数分别为燃烧段340355°CA和370420°CA范围内信号的能量和、燃烧段340380°CA范围内信号能量、整周期声发射信号25.831.7kHz范围内信号功率、燃烧段340380°CA低频（23.328.3kHz）与高频（28.332.3kHz）段的信号功率比9)、燃烧段340380°CA范围841kHz频率段内的信号功率、425500°CA段信号839.7kHz频段内的信号功率,提出了利用声发射信号进行燃烧室部件监测诊断的方法。本文针对将声发射技术应用于燃烧室部件监测诊断过程中的传感器安装位置的选择、利用测点信号进行故障诊断的可行性、燃烧室部件故障时声发射信号的特征、各故障特征参数的提取和燃烧室部件监测诊断方法等问题进行了研究,为船用发动机的综合诊断、智能机舱提供了技术基础。
二、利用模式识别对柴油机进行故障诊断的一种方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、利用模式识别对柴油机进行故障诊断的一种方法（论文提纲范文）
（1）基于跨点频响的柴油机关键部件故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 柴油机故障诊断研究现状分析 |
| 1.2.2 频响特性研究现状 |
| 1.2.3 信息融合研究现状 |
| 1.3 论文的主要研究内容以及各章节安排 |
| 2 柴油机系统结构组成和常见故障分析 |
| 2.1 柴油机的基本结构和常见故障分析 |
| 2.1.1 柴油机的基本结构 |
| 2.1.2 柴油机关键部件常见的故障分析 |
| 2.2 水泵的结构组成与常见故障分析 |
| 2.3 本章小结 |
| 3 柴油机故障诊断系统实验 |
| 3.1 柴油机关键部件测点布置 |
| 3.2 动态测试实验 |
| 3.3 静态频响实验 |
| 3.3.1 跨点频响振动测试系统的组成 |
| 3.3.2 跨点频响振动测试试验 |
| 3.4 本章小结 |
| 4 柴油机动态信号特征提取方法 |
| 4.1 基于EEMD的柴油机振动信号降噪 |
| 4.1.1 EMD与 EEMD |
| 4.1.2 EEMD降噪 |
| 4.1.3 柴油机系统信号降噪处理 |
| 4.2 信息熵 |
| 4.2.1 近似熵 |
| 4.2.2 排列熵 |
| 4.3 动态信息的特征提取 |
| 4.4 本章小结 |
| 5 跨点频响信号特征提取方法 |
| 5.1 跨点频响函数及相干函数 |
| 5.1.1 跨点频响函数 |
| 5.1.2 相干函数 |
| 5.2 基于频响函数的特征提取方法 |
| 5.2.1 频响函数的频域特征 |
| 5.2.2 基于跨点频响的小波包能量特征提取 |
| 5.3 特征提取 |
| 5.4 本章小结 |
| 6 基于GWO-SVM的柴油机关键部件故障识别 |
| 6.1 基于优化算法的支持向量机 |
| 6.1.1 支持向量机(SVM) |
| 6.1.2 支持向量机的优化算法理论介绍 |
| 6.2 基于GWO-SVM的动态信息分类识别 |
| 6.3 基于GWO-SVM的静态信息分类识别 |
| 6.4 本章小结 |
| 7 基于静动信息融合的柴油机部件故障识别 |
| 7.1 基于信息融合方法的故障诊断研究 |
| 7.1.1 信息融合的阶段和层次结构 |
| 7.1.2 特征融合方法 |
| 7.2 局部线性嵌入(LLE) |
| 7.2.1 LLE算法推导过程 |
| 7.2.2 LLE降维算法流程 |
| 7.3 静动信息融合的故障识别 |
| 7.4 本章小结 |
| 8 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（2）基于状态智能预警驱动的柴油机IETM关键技术研究与应用（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究综述 |
| 1.2.1 柴油机故障传统监测诊断方法概况 |
| 1.2.2 柴油机故障智能监测诊断技术研究概况 |
| 1.2.3 IETM技术发展概况 |
| 1.3 前人的研究成果 |
| 1.3.1 柴油机监测诊断方面研究成果 |
| 1.3.2 智能诊断技术研究成果 |
| 1.3.3 IETM技术研究成果 |
| 1.4 论文结构与内容安排 |
| 第二章 柴油机典型机械故障分类与预警诊断技术 |
| 2.1 柴油机典型机械故障分类及其特征信号 |
| 2.1.1 柴油机典型机械故障分类 |
| 2.1.2 柴油机典型机械故障特征信号类型 |
| 2.2 柴油机典型机械故障监测预警方法 |
| 2.2.1 基于统计特征参量分析的时域信号监测预警方法 |
| 2.2.2 基于振动信号角域分析的故障诊断预警方法 |
| 2.2.3 基于振动信号时频分析的故障监测预警方法 |
| 2.2.4 基于振动信号自适应的EMD智能预警方法 |
| 2.2.5 基于K近邻的柴油机故障识别预警方法 |
| 2.3 柴油机故障预警诊断技术难点 |
| 2.4 本章小结 |
| 第三章 柴油机连杆轴瓦故障监测预警方法研究 |
| 3.1 连杆小头衬套滑移故障 |
| 3.1.1 连杆小头衬套滑移故障机理 |
| 3.1.2 连杆小头衬套滑移故障特征与监测难点分析 |
| 3.2 连杆轴瓦磨损故障 |
| 3.2.1 连杆轴瓦磨损故障类型与传统监测方法 |
| 3.2.2 连杆轴瓦磨损故障特征 |
| 3.3 基于SAW无线测温技术的轴瓦磨损类故障预警与诊断方法研究 |
| 3.3.1 SAW无源无线测温原理 |
| 3.3.2 基于SAW的连杆轴瓦温度传感器的设计 |
| 3.3.3 信号处理装置的设计 |
| 3.3.4 软件系统的设计 |
| 3.4 实验验证 |
| 3.4.1 高速单缸机配机试验 |
| 3.4.2 轴瓦磨损故障模拟试验 |
| 3.5 本章小结 |
| 第四章 柴油机曲轴弯曲微变形故障诊断方法研究 |
| 4.1 曲柄连杆简化模型的理论分析计算 |
| 4.1.1 曲柄连杆力学模型分析 |
| 4.1.2 曲柄模型简化 |
| 4.1.3 横向力作用下曲轴受力分析 |
| 4.1.4 弯曲形变对于横向力作用下曲轴受力影响 |
| 4.2 基于多体动力学仿真的故障特征研究 |
| 4.2.1 模型建立与参数设置 |
| 4.2.2 仿真过程 |
| 4.2.3 仿真结果分析 |
| 4.3 曲轴弯曲微变形故障监测预警方法 |
| 4.4 故障案例验证 |
| 4.4.1 传感器与测点布置 |
| 4.4.2 故障现象描述 |
| 4.4.3 数据分析与故障诊断结论 |
| 4.5 本章小结 |
| 第五章 柴油机典型机械故障智能预警诊断系统设计 |
| 5.1 基于缸盖振动信号概率密度分布的柴油机输出功率识别算法 |
| 5.1.1 缸盖振动信号截止滤波预处理 |
| 5.1.2 基于自适应EMD分解的缸盖振动信号处理方法研究 |
| 5.1.3 基于振动速度概率密度分布的功率识别方法 |
| 5.2 基于改进KNN的柴油机故障报警阈值动态自学习算法 |
| 5.2.1 训练集的构建 |
| 5.2.2 K值的确定 |
| 5.2.3 报警阈值动态学习方法 |
| 5.3 柴油机在线监测预警系统设计 |
| 5.3.1 系统总体设计 |
| 5.3.2 硬件方案 |
| 5.3.3 软件方案 |
| 5.4 工程应用案例 |
| 5.4.1 故障情况 |
| 5.4.2 报警信息与监测数据分析 |
| 5.4.3 故障原因探究 |
| 5.4.4 结论 |
| 5.5 本章小结 |
| 第六章 基于智能预警驱动的柴油机IETM架构设计 |
| 6.1 IETM平台的功能模块 |
| 6.1.1 多媒体制作工具 |
| 6.1.2 XML编辑器 |
| 6.1.3 公共源数据库 |
| 6.1.4 发布引擎 |
| 6.1.5 浏览器 |
| 6.2 标准IETM内容模块 |
| 6.3 IETM的开发流程 |
| 6.3.1 数据模块编码 |
| 6.3.2 数据模块需求列表(DMRL)编制 |
| 6.4 基于智能预警驱动的柴油机IETM架构设计 |
| 6.4.1 架构设计 |
| 6.4.2 具体实现 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论与成果 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（3）基于瞬态冲击响应信号的某高速自动机故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 高速冲击武器的研究对象 |
| 1.3 诊断高速冲击机械系统的研究现状 |
| 1.3.1 提取冲击信号特征的研究现状 |
| 1.3.2 集成诊断信息的研究现状 |
| 1.4 研究目的及思路 |
| 1.4.1 新方法提取瞬态冲击信号的特征 |
| 1.4.2 新的训练学习器算法 |
| 1.4.3 合适的集成学习器理论 |
| 1.5 研究内容及结构安排 |
| 2 测试与预处理瞬态冲击信号 |
| 2.1 试验对象 |
| 2.2 设置典型故障 |
| 2.3 试验环境与采集设备 |
| 2.4 设置采集设备 |
| 2.5 设置采集样本 |
| 2.6 预处理瞬态冲击信号 |
| 2.6.1 预处理单发射击振动信号 |
| 2.6.2 预处理连发射击振动信号 |
| 3 信号特征提取研究 |
| 3.1 引言 |
| 3.2 检测瞬态冲击信号的基本方法 |
| 3.2.1 增广Dickey-Fuller检测平稳性 |
| 3.2.2 各态历经性指标作为信号的特征 |
| 3.3 提取信号的时频域特征 |
| 3.3.1 信号的自相关时域性质 |
| 3.3.2 信号的复杂频域性质 |
| 3.4 经典理论提取信号特征 |
| 3.4.1 连续小波变换分析信号时频谱 |
| 3.4.2 基于Mallat离散小波提取能量比特征 |
| 3.4.3 信号的瞬时频率及希尔伯特幅值谱 |
| 3.5 积分上限变换及概率密度函数法 |
| 3.5.1 积分上限变换提取信号特征 |
| 3.5.2 概率密度函数特征及逆运算 |
| 3.5.3 基于瞬时频率与密度积分上限法提取特征 |
| 3.5.4 基于积分上限变换与密度积分上限提取特征 |
| 3.6 编组信号特征量 |
| 3.7 本章小结 |
| 4 微分熵及微分表达力特征 |
| 4.1 引言 |
| 4.2 离散熵与微分熵 |
| 4.2.1 信息熵及微分熵概念 |
| 4.2.2 离散熵与微分熵的关系 |
| 4.2.3 数值计算微分熵 |
| 4.3 信息表达力与微分表达力 |
| 4.3.1 离散系统的表达力 |
| 4.3.2 离散系统表达力的极值 |
| 4.3.3 微分表达力与离散表达力的关系 |
| 4.3.4 数值计算微分表达力 |
| 4.4 .联合系统的信息差异度 |
| 4.4.1 定义信息差异度 |
| 4.4.2 利用信息差异度分析系统状态 |
| 4.5 联合提取信号特征 |
| 4.5.1 基于频谱提取微分表达力特征 |
| 4.5.2 基于瞬时频率提取微分表达力和微分熵特征 |
| 4.5.3 最优状态分布及特征分类能力 |
| 4.6 编组基于频谱或瞬时频率的特征组 |
| 4.7 本章小结 |
| 5 基于FNN与 SVM集成学习器 |
| 5.1 引言 |
| 5.2 模糊神经网络 |
| 5.2.1 模糊神经网络概述 |
| 5.2.2 模糊神经网络的拓扑结构 |
| 5.2.3 Levenberg-Marquardt算法 |
| 5.2.4 Moore-Penrose逆牛顿算法 |
| 5.2.5 随机特征测试模糊神经网络 |
| 5.3 多分类支持向量机 |
| 5.3.1 支持向量机概述 |
| 5.3.2 构造多分类支持向量机 |
| 5.4 基于Bayes理论和规则集成学习器 |
| 5.4.1 集成学习器的一般原则 |
| 5.4.2 集成学习器的拓扑结构 |
| 5.4.3 和规则集成多分类器 |
| 5.4.4 集成参数的估计 |
| 5.4.5 集成模糊神经网络与支持向量机 |
| 5.5 本章小结 |
| 6 基于集成学习器诊断高速自动机的故障 |
| 6.1 引言 |
| 6.2 交叉验证法训练与测试学习器 |
| 6.3 基于样本集训练和测试集成学习器 |
| 6.3.1 基于模糊神经网络的子学习器 |
| 6.3.2 基于支持向量机的子学习器 |
| 6.3.3 同组特征集成学习器 |
| 6.3.4 同测点及方向特征集成学习器 |
| 6.3.5 高级集成学习器诊断高速自动机状态 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 总结 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 附录 A |
| 参考文献 |
| 致谢 |
| 攻读博士(硕士)期间发表的论文及所取得的研究成果 |
（4）基于优化KPCA-SVM的船舶燃油系统故障监测和诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 船舶柴油机故障诊断研究发展现状 |
| 1.2.1 故障监测和诊断技术国内外研究现状 |
| 1.2.2 故障监测和诊断技术的发展趋势 |
| 1.3 论文主要研究内容 |
| 2 船舶柴油机燃油系统故障监测及诊断分析 |
| 2.1 船舶燃油系统概述 |
| 2.1.1 燃油系统低压油路 |
| 2.1.2 燃油系统高压油路 |
| 2.1.3 燃油喷射过程 |
| 2.2 主要故障部件原理分析 |
| 2.2.1 喷油泵工作原理分析 |
| 2.2.2 喷油器工作原理分析 |
| 2.2.3 燃油系统常见故障分析 |
| 2.3 常见故障监测和诊断方法 |
| 2.3.1 故障诊断过程 |
| 2.3.2 常见故障监测和诊断方法 |
| 2.3.3 船舶柴油机故障监测和诊断的目的 |
| 2.4 本章小结 |
| 3 基于KPCA的非线性特征提取与SVM的模式识别 |
| 3.1 基于KPCA的非线性特征提取 |
| 3.1.1 KPCA基本原理 |
| 3.1.2 KPCA非线性特征提取步骤 |
| 3.1.3 SPE和T~2统计量 |
| 3.1.4 基于KPCA的非线性特征提取分析 |
| 3.2 基于SVM的故障模式识别 |
| 3.2.1 支持向量机概述 |
| 3.2.2 支持向量机基本原理 |
| 3.2.3 软间隔最优分类面 |
| 3.2.4 非线性支持向量机 |
| 3.2.5 基于两类样本的SVM数值仿真 |
| 3.3 本章小结 |
| 4 基于PSO优化KPCA的船舶燃油系统故障监测 |
| 4.1 PSO优化算法概述 |
| 4.1.1 PSO基本原理 |
| 4.1.2 PSO优化参数选择 |
| 4.1.3 基于改进PSO算法数值仿真 |
| 4.2 基于KPCA的故障监测模型搭建 |
| 4.2.1 核函数及参数确定方法 |
| 4.2.2 样本数据采集 |
| 4.2.3 基于KPCA的故障监测实现流程 |
| 4.2.4 基于KPCA的船舶燃油系统故障监测实验 |
| 4.3 基于PSO优化KPCA的船舶燃油系统故障监测 |
| 4.3.1 基于PSO优化KPCA的故障监测算法设计 |
| 4.3.2 基于PSO优化KPCA的船舶燃油系统故障监测实验 |
| 4.4 本章小结 |
| 5 基于PSO优化KPCA-SVM的船舶燃油系统故障诊断 |
| 5.1 构建多分类支持向量机 |
| 5.1.1 一对多方法 |
| 5.1.2 一对一方法 |
| 5.1.3 直接非循环图法 |
| 5.1.4 决策树法 |
| 5.2 基于PSO优化KPCA-SVM的船舶燃油系统故障诊断 |
| 5.2.1 故障诊断算法设计思路 |
| 5.2.2 故障诊断实验步骤 |
| 5.2.3 船舶燃油系统故障诊断实验 |
| 5.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（5）基于时频图像识别的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 机械设备故障诊断概述 |
| 1.2.1 机械设备故障诊断的发展概述 |
| 1.2.2 机械设备故障诊断技术研究内容 |
| 1.2.3 机械故障诊断的时频图像识别方法概述 |
| 1.3 国内外研究现状 |
| 1.3.1 时频分析方法研究现状 |
| 1.3.2 时频图像特征提取研究现状 |
| 1.3.3 故障模式识别方法研究现状 |
| 1.4 现有研究存在的问题 |
| 1.5 研究内容与技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 1.6 论文结构安排 |
| 2 理论基础 |
| 2.1 滚动轴承振动机理 |
| 2.1.1 滚动轴承基本参数 |
| 2.1.2 滚动轴承的故障失效 |
| 2.1.3 滚动轴承振动机理 |
| 2.1.4 小结 |
| 2.2 迁移学习基本理论 |
| 2.2.1 概述 |
| 2.2.2 领域自适应 |
| 2.2.3 深度迁移学习 |
| 2.3 深度学习基本理论 |
| 2.3.1 概述 |
| 2.3.2 人工神经网络 |
| 2.3.3 卷积神经网络 |
| 2.4 本章小结 |
| 3 滚动轴承振动信号时频分析方法 |
| 3.1 引言 |
| 3.2 传统时频分析方法 |
| 3.2.1 线性时频分析方法 |
| 3.2.2 非线性时频分析方法 |
| 3.3 稀疏时频分析方法 |
| 3.3.1 稀疏表示理论 |
| 3.3.2 稀疏时频分析模型 |
| 3.3.3 稀疏时频分析模型求解 |
| 3.4 仿真分析 |
| 3.5 实验分析 |
| 3.5.1 数据来源 |
| 3.5.2 振动信号分析 |
| 3.5.3 时频分析方法对比分析 |
| 3.6 本章小结 |
| 4 基于时频图像纹理特征迁移的滚动轴承故障诊断 |
| 4.1 引言 |
| 4.2 灰度共生矩阵纹理特征提取 |
| 4.3 联合分布适配 |
| 4.4 基于时频图像纹理特征迁移的故障诊断方法 |
| 4.5 实验分析 |
| 4.5.1 基于时频图像纹理特征的故障诊断实验分析 |
| 4.5.2 基于时频图像纹理特征迁移的故障诊断实验分析 |
| 4.6 本章小结 |
| 5 基于深度迁移学习的滚动轴承故障诊断 |
| 5.1 引言 |
| 5.2 残差学习 |
| 5.3 基于迁移深度残差卷积神经网络的故障诊断方法 |
| 5.3.1 深度残差卷积神经网络 |
| 5.3.2 迁移深度残差卷积神经网络(TDRCNN) |
| 5.3.3 基于TDRCNN的故障诊断方法 |
| 5.4 实验分析 |
| 5.4.1 单个迁移任务实验分析 |
| 5.4.2 不同工况差异的迁移任务实验分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 全文工作总结 |
| 6.2 主要创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）电控燃油系统异常喷射故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 柴油机故障诊断技术的研究现状 |
| 1.2.1 故障特征提取技术 |
| 1.2.2 故障模式识别技术 |
| 1.3 本文主要研究内容 |
| 第2章 电控燃油系统故障诊断方案设计 |
| 2.1 电控燃油系统简介 |
| 2.2 典型故障分析 |
| 2.3 故障诊断方案设计 |
| 2.4 本章小结 |
| 第3章 电控燃油系统建模与故障机理分析 |
| 3.1 基于AMESIM电控燃油系统模型建立 |
| 3.1.1 电控燃油系统仿真模型 |
| 3.1.2 仿真模型验证 |
| 3.2 基于水击现象的压力波动机理研究 |
| 3.2.1 水击现象的基本原理 |
| 3.2.2 正常喷射 |
| 3.2.3 异常喷射 |
| 3.3 压力频率成分特性分析 |
| 3.3.1 压力频率成分分析 |
| 3.3.2 故障对频率成分的影响规律 |
| 3.4 本章小结 |
| 第4章 基于Hilbert-Huang变换的压力信号特征提取方法研究 |
| 4.1 引言 |
| 4.2 Hilbert-Huang变换 |
| 4.2.1 Hilbert-Huang变换的基本原理 |
| 4.2.2 Hilbert-Huang变换的优化 |
| 4.3 基于共轨压力的故障特征提取 |
| 4.3.1 喷油器堵塞故障 |
| 4.3.2 针阀卡滞故障 |
| 4.4 基于高压油管压力的故障特征提取 |
| 4.4.1 喷油器堵塞故障 |
| 4.4.2 针阀卡滞故障 |
| 4.5 本章小结 |
| 第5章 电控燃油系统故障诊断实验验证 |
| 5.1 引言 |
| 5.2 实验系统方案 |
| 5.2.1 实验系统组成 |
| 5.2.2 实验方案设计 |
| 5.3 喷油器堵塞故障特征提取 |
| 5.4 针阀卡滞故障特征提取 |
| 5.5 基于支持向量机的故障模式识别 |
| 5.5.1 支持向量机的原理 |
| 5.5.2 特征向量的构建 |
| 5.5.3 故障识别 |
| 5.6 本章小结 |
| 全文总结与工作展望 |
| 1.全文总结 |
| 2.工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（7）基于缸盖振动信号的柴油机变工况气门间隙异常诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 柴油发动机故障诊断技术概述 |
| 1.2.1 设备故障诊断技术发展概况 |
| 1.2.2 柴油机故障诊断方法概述 |
| 1.3 基于振动信号的柴油机故障诊断技术国内外研究现状 |
| 1.3.1 故障特征提取方法 |
| 1.3.2 故障模式识别方法 |
| 1.3.3 发展趋势 |
| 1.4 论文的主要研究内容 |
| 第二章 柴油机缸盖振动数据采集与特性分析 |
| 2.1 实验台介绍及振动数据采集方案 |
| 2.1.1 柴油机实验台介绍 |
| 2.1.2 振动数据采集方案 |
| 2.2 气门间隙异常故障模拟实验 |
| 2.2.1 配气机构的基本结构 |
| 2.2.2 实验过程 |
| 2.3 振动数据特性分析 |
| 2.3.1 时域特性分析 |
| 2.3.2 频域特性分析 |
| 2.4 本章小结 |
| 第三章 气门间隙故障特征提取方法 |
| 3.1 基于小波包分析的特征提取方法 |
| 3.1.1 小波包分解方法研究 |
| 3.1.2 小波包能量故障特征提取 |
| 3.1.3 振动信号的小波包能量比特征分布 |
| 3.1.4 构建综合特征向量 |
| 3.2 基于EEMD的特征提取方法 |
| 3.2.1 EMD方法研究 |
| 3.2.2 EEMD方法研究 |
| 3.2.3 振动信号的EEMD处理与故障特征提取 |
| 3.3 基于VMD-SVD的特征提取方法 |
| 3.3.1 VMD方法研究和参数选择方法 |
| 3.3.2 SVD方法研究 |
| 3.3.3 振动信号的VMD-SVD故障特征提取 |
| 3.4 本章小结 |
| 第四章 气门间隙异常的故障模式识别方法 |
| 4.1 基于t-SNE和KNN的故障识别 |
| 4.1.1 t-SNE方法研究及降维结果可视化分析 |
| 4.1.2 KNN算法研究及参数k的确定 |
| 4.1.3 变工况下的KNN诊断结果 |
| 4.2 基于KPCA和SVM的故障识别 |
| 4.2.1 PCA算法研究 |
| 4.2.2 KPCA算法研究及基于累计特征贡献率的降维处理方法 |
| 4.2.3 SVM算法研究 |
| 4.2.4 SVM算法诊断结果 |
| 4.3 基于特征选择和随机森林的故障识别 |
| 4.3.1 决策树算法研究 |
| 4.3.2 随机森林算法研究及特征选择过程 |
| 4.3.3 随机森林算法诊断结果 |
| 4.4 不同故障诊断方法结果的对比分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（8）基于单通道振动信号解析的柴油机典型故障智能诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 柴油机故障诊断研究的背景和意义 |
| 1.2 柴油机故障诊断方法概述 |
| 1.3 柴油机故障诊断方法国内外研究现状 |
| 1.3.1 故障特征提取研究现状 |
| 1.3.2 模式识别的研究现状 |
| 1.4 论文结构安排与主要研究内容 |
| 第二章 柴油机典型故障实验设计与结果分析 |
| 2.1 柴油机故障模拟实验 |
| 2.1.1 实验系统与实验工况 |
| 2.1.2 采样频率的确定 |
| 2.1.3 故障类型的设置 |
| 2.2 柴油机振动信号特性 |
| 2.3 柴油机表面振动信号的时域分析 |
| 2.4 柴油机表面振动信号的频域分析 |
| 2.5 本章小结 |
| 第三章 VMD与ICA协同信号处理方法 |
| 3.1 信号处理基本原理 |
| 3.1.1 VMD算法理论 |
| 3.1.2 ICA算法原理 |
| 3.1.3 四阶累积量算法原理 |
| 3.2 VMD算法控制参数研究 |
| 3.2.1 VMD算法模拟信号验证 |
| 3.2.2 VMD算法控制参数分析 |
| 3.2.3 VMD控制参数优化方法 |
| 3.3 ICA算法适用性分析 |
| 3.3.1 Fast ICA算法分析 |
| 3.3.2 Robust ICA算法分析 |
| 3.3.3 KICA算法分析 |
| 3.3.4 三种ICA算法综合对比 |
| 3.4 本章小结 |
| 第四章 基于双谱理论的特征选择方法 |
| 4.1 双谱分析基本理论 |
| 4.2 基于对角线投影的双谱切片方法 |
| 4.2.1 双谱算法的初步分析 |
| 4.2.2 基于对角线切片的双谱处理方法 |
| 4.2.3 基于对角线投影的双谱处理方法 |
| 4.2.4 基于对角线累积的双谱处理方法 |
| 4.2.5 三种双谱处理方法综合对比 |
| 4.3 信号特征参数选择方法 |
| 4.3.1 特征参数分析方法 |
| 4.3.2 信号特征参数计算分析 |
| 4.4 本章小结 |
| 第五章 基于深度信念网络的故障模式识别研究 |
| 5.1 深度信念网络 |
| 5.1.1 受限玻尔兹曼机 |
| 5.1.2 深度信念网络构架 |
| 5.1.3 DBN的训练 |
| 5.1.4 对比散度快速算法 |
| 5.1.5 DBN的微调 |
| 5.2 基于VMD-ICA-双谱的DBN模式识别方法 |
| 5.2.1 DBN分类器构建 |
| 5.2.2 单一故障分类结果 |
| 5.2.3 多故障分类结果 |
| 5.3 基于VMD-ICA双谱的GA-BP模式识别方法 |
| 5.3.1 GA-BP神经网络 |
| 5.3.2 优化过程 |
| 5.3.3 GA-BP神经网络分类结果 |
| 5.4 各工况实验下的适用性分析 |
| 5.4.1 怠速工况振动信号识别 |
| 5.4.2 额定功率工况振动信号识别 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（9）基于振动信号的柴油机关键节点提取与诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题背景及意义 |
| 1.3 基于振动信号柴油机故障特征提取技术国内外研究现状 |
| 1.3.1 频域分析 |
| 1.3.2 时频分析技术 |
| 1.3.3 模态分解技术 |
| 1.3.4 基于瞬时转速波动的柴油机诊断技术 |
| 1.3.5 基于振动信号的气缸燃烧压力估计 |
| 1.4 文献总结 |
| 1.5 主要工作与总体框架 |
| 第二章 柴油机燃烧过程与振动信号特点 |
| 2.1 柴油机组成 |
| 2.2 柴油机工作原理 |
| 2.3 柴油机燃烧过程 |
| 2.4 柴油机振动信号特点 |
| 2.4.1 柴油机振源 |
| 2.4.2 柴油机信号的循环平稳性 |
| 2.5 柴油机燃烧过程与其故障之间的关联 |
| 2.6 本章小结 |
| 第三章 基于Wignar-Ville谱矩的柴油机燃烧冲击提取 |
| 3.1 时频分析 |
| 3.1.1 Cohen类时频分布 |
| 3.1.2 Wignar-Ville时频分布 |
| 3.2 Wignar-Ville谱矩 |
| 3.2.1 Wignar-Ville谱矩与Wignar-Ville谱累积量理论 |
| 3.2.2 快速计算Wignar-Ville谱矩与Wignar-Ville谱累积量.. |
| 3.3 基于Wignar-Ville谱矩的柴油机燃烧冲击提取 |
| 3.3.1 实验数据来源 |
| 3.3.2 实验数据验证 |
| 3.4 本章小结 |
| 第四章 基于循环统计理论的柴油机燃烧振动信号增强 |
| 4.1 柴油机燃烧振动信号与共振解调 |
| 4.1.1 柴油机燃烧冲击信号特点 |
| 4.1.2 共振解调理论 |
| 4.2 循环平稳理论介绍 |
| 4.2.1 循环平稳在故障诊断中的发展概况 |
| 4.2.2 一阶循环平稳 |
| 4.2.3 二阶循环平稳 |
| 4.3 基于循环统计理论的柴油机燃烧信号增强 |
| 4.3.1 基于约束SCDF共振带搜索算法的柴油机燃烧信号增强 |
| 4.3.2 基于约束SCDF共振带搜索算法鲁棒性与计算速度 |
| 4.3.3 实验分析 |
| 4.4 本章小结 |
| 第五章 基于振动信号柴油机燃烧过程关键节点识别 |
| 5.1 阶比跟踪与角域重采样 |
| 5.1.1 阶比跟踪技术在机械故障诊断中的应用 |
| 5.1.2 计算阶比跟踪 |
| 5.2 振动信号与气缸燃烧压力的关系 |
| 5.3 柴油机燃烧过程关键节点识别 |
| 5.3.1 燃烧过程关键节点 |
| 5.3.2 同步角域平均 |
| 5.4 基于柴油机燃烧过程关键节点识别的燃烧故障诊断 |
| 5.4.1 喷油提前角与喷油压力对燃烧情况的影响 |
| 5.4.2 故障征兆与燃烧关键节点 |
| 5.4.3 喷油提前角与喷油压力实验 |
| 5.4.4 实验验证 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士期间发表的学术论文 |
| 附录 B 攻读硕士期间参与的科研项目 |
（10）柴油机燃烧室部件声发射监测诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要术语表 |
| 第1章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 柴油机声发射监测诊断国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 课题的研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容及技术路线 |
| 1.4 本章小结 |
| 第2章 声发射基本原理与分析方法 |
| 2.1 声发射的基本原理 |
| 2.1.1 声发射的产生原理与分类 |
| 2.1.2 声发射的传播模式 |
| 2.1.3 声发射的波速 |
| 2.1.4 声发射的反射、折射和模式转换 |
| 2.1.5 声发射的衰减 |
| 2.2 声发射信号的分析方法 |
| 2.2.1 声发射表征参数分析 |
| 2.2.2 声发射波形分析 |
| 2.2.3 现代信号分析方法 |
| 2.3 本章小结 |
| 第3章 测点敏感性研究 |
| 3.1 缸盖敏感性试验 |
| 3.2 测点故障诊断研究 |
| 3.2.1 试验测试系统 |
| 3.2.2 不同测点信号的比较 |
| 3.2.3 喷油器堵塞故障模拟 |
| 3.2.4 排气阀漏气故障模拟 |
| 3.2.5 不同故障的声发射信号特征分析 |
| 3.2.6 声发射诊断方法 |
| 3.3 本章小结 |
| 第4章 燃烧室部件故障模拟方案及测试系统 |
| 4.1 燃烧室部件不同故障程度模拟方案 |
| 4.1.1 喷油压力减小 |
| 4.1.2 单缸失火 |
| 4.1.3 喷油器堵塞 |
| 4.1.4 针阀磨损 |
| 4.1.5 排气阀漏气 |
| 4.1.6 活塞环磨损 |
| 4.2 数据采集系统开发 |
| 4.3 声发射测点布置 |
| 4.4 本章小结 |
| 第5章 燃烧室部件故障模拟试验结果分析 |
| 5.1 不同测点信号的比较 |
| 5.2 柴油机声发射信号分析方法 |
| 5.2.1 信号分析段选取 |
| 5.2.2 信号功率特征提取 |
| 5.3 不同故障的声发射信号特征 |
| 5.3.1 喷油压力减小 |
| 5.3.2 单缸失火 |
| 5.3.3 喷油器堵塞 |
| 5.3.4 针阀磨损 |
| 5.3.5 排气阀漏气 |
| 5.3.6 活塞环磨损 |
| 5.4 燃烧室部件声发射监测诊断方法 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的学术成果 |
| 攻读硕士期间参加的科研项目 |
四、利用模式识别对柴油机进行故障诊断的一种方法（论文参考文献）
- [1]基于跨点频响的柴油机关键部件故障诊断研究[D]. 高家宝. 中北大学, 2021(09)
- [2]基于状态智能预警驱动的柴油机IETM关键技术研究与应用[D]. 高志龙. 北京化工大学, 2020(01)
- [3]基于瞬态冲击响应信号的某高速自动机故障诊断方法研究[D]. 杨海坤. 中北大学, 2020
- [4]基于优化KPCA-SVM的船舶燃油系统故障监测和诊断研究[D]. 张志政. 大连海事大学, 2020(01)
- [5]基于时频图像识别的滚动轴承故障诊断方法研究[D]. 杜岩. 中国矿业大学(北京), 2020(01)
- [6]电控燃油系统异常喷射故障诊断方法研究[D]. 李瑞良. 哈尔滨工程大学, 2020(05)
- [7]基于缸盖振动信号的柴油机变工况气门间隙异常诊断方法研究[D]. 魏东海. 北京化工大学, 2019(06)
- [8]基于单通道振动信号解析的柴油机典型故障智能诊断方法研究[D]. 毕晓阳. 天津大学, 2019(06)
- [9]基于振动信号的柴油机关键节点提取与诊断[D]. 刘岩. 昆明理工大学, 2019(04)
- [10]柴油机燃烧室部件声发射监测诊断方法研究[D]. 谢文琪. 武汉理工大学, 2019(07)