一、基于模糊模式识别法诊断船艇柴油机燃油系统故障（论文文献综述）
章志浩[1]（2020）在《基于局部回归神经网络的柴油机燃油喷射系统故障诊断研究》文中研究指明航运是国际主流的运输方式,柴油机是船舶的主要动力来源。柴油机燃油喷射系统作为船用柴油机重要组成部分,有必要对它的故障诊断技术进行深入研究。目前已应用的柴油机燃油喷射系统故障诊断方法往往存在缺陷和不足。例如油液分析法仅能判断使用润滑油的部件的相关故障、振动分析法信号采集困难、瞬时转速监测法只能确定故障位置但无法判断故障原因。神经网络拥有强大的并行计算能力,可以将输入向量迅速传递至神经元中进行计算和学习,其网络结构适用于解决线性空间至非线性空间的映射问题,在机械故障诊断方面表现优异。因此,本文采用将自适应遗传算法和神经网络结合的方法对柴油机燃油喷射系统进行故障诊断。在网络模型的选取方面,BP神经网络是一种多层前向模型学习算法,在结构上较为松散,有着诊断不精确、容易陷入局部极值的缺点。Elman神经网络作为一种局部回归神经网络,引入了负反馈机制,网络结构更加完整,诊断精度和速度比BP神经网络均有提高。同时,通过改进Elman神经网络的学习算法、激励函数和网络结构提高了Elman神经网络动态信息处理能力。结果表明,改进型Elman神经网络适用于在线诊断,整体诊断效果比BP神经网络更好。对遗传算法（GA）进行了详细研究,考虑到遗传算法容易陷入局部极值和鲁棒性差的缺点,提出了一种自适应遗传算法,对选择算子、变异算子和交叉算子进行了改进,有效避免了算法陷入局部最小值。利用个体适应度自适应调节遗传算法中的算子,将参数优化结果作为神经网络中的初始权值和阈值,提高了 Elman神经网络的诊断精度,避免了陷入局部最小值的情况。采用大连海事大学轮机模拟器主机系统中的VLCC型船舶进行参数提取,针对实验数据较多的情况,利用平均影响值法（MIV）剔除部分对网络输出影响较小的参数,减少了神经网络输入量,并在MATLAB环境下对船舶柴油机燃油喷射系统进行了故障仿真实验。对比三种神经网络在相同故障数据下对故障类型的辨识结果,从隶属度和诊断结果两方面对结果评价。仿真实验的结果表明:经过改进遗传算法优化的Elman神经网络诊断精度高,收敛速度快,可以有效诊断柴油机燃油喷射系统典型故障。
魏东海[2]（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。
汤代杰[3]（2019）在《基于VMD与KFCM的柴油机故障诊断方法研究》文中指出柴油机作为目前广泛应用的常规动力源之一,在工业、农业、交通运输以及国防等领域发挥着重要的作用。由于柴油机结构复杂、零部件较多且缸内爆发压力相对较高,并且经常处于恶劣的环境下运行,柴油机发生故障的概率较大。柴油机一旦发生故障可能造成非常严重的后果甚至导致事故的发生。因此,开展柴油机故障诊断方法的研究以提高柴油机故障诊断的正确率对于完善复杂机构不解体故障诊断的理论体系和提高柴油机可靠性具有十分重要的理论研究与工程应用价值。柴油机的振动信号中包含着丰富的柴油机工作状态信息,且振动测试方法简单、技术成熟,因此基于振动信号分析的故障诊断方法研究得到众多学者的青睐。此类研究需要解决两个关键问题,一是从复杂的振动信号中提取故障特征信息,二是利用故障特征信息进行故障模式识别。论文研究搭建了柴油机试验台架,设置了不同程度的气门间隙异常、供油量不足、共轨压力异常和喷油提前角异常等典型的柴油机故障状态,用以验证论文所开展的研究方法对不同故障的诊断正确率。柴油机振动信号是一种复杂的宽频信号,直接从中提取故障源信号及其特征信息难度很大,需要研究合适的算法对信号进行分析。通过对现有算法的研究对比,论文选用了变分模态分解（Variational Mode Decomposition,VMD）作为振动信号的前置分解算法。该算法相较于传统的递归分解算法鲁棒性更好,然而该算法中的部分参数需要人为选取且无公认的选择标准。为此,论文对VMD算法的分解层数K以及二次惩罚因子两个关键参数进行了优化。首先使用相关系数作为筛选有效分量的条件提出了一种自适应的K值选取方法,经过模拟信号以及试验信号的验证,该方法能对不同信号进行自适应分解,得到相关度较高的窄带信号。然后,根据观察大量信号分解结果的参数变化规律给出了合适的值选取范围。选择合适的故障特征参数与恰当的故障模式识别方法以使不同类型故障具有显着区分度是提高故障诊断正确率的关键。论文采用计算效率和准确率较高的核模糊C-均值聚类算法（Kernel Fuzzy C-means Clustering,KFCM）作为柴油机故障的模式识别算法。之后,对VMD的分解结果进行特征参数的提取,将特征参数组输入KFCM算法之中进行故障分类诊断。论文使用了多种不同的特征参数进行故障分类诊断,发现使用最大奇异值参数时诊断正确率最高。诊断结果表明对于气门间隙异常、供油量不足、喷油共轨压力异常以及喷油提前角异常四种故障,优化VMD-KFCM联合方法分别能达到98.7%、98.6%、96%、93.3%的诊断正确率,对于多类故障同时诊断的正确率为94%。在故障诊断正确率方面,优化VMD-KFCM联合算法明显优于EMD-KFCM和原始VMD-KFCM算法。研究结果证明论文提出的优化VMD-KFCM联合算法对于柴油机典型故障诊断技术开发具有一定的指导意义。
金江善[4]（2017）在《基于在线测试技术的船用大功率柴油机电控共轨系统故障诊断研究》文中认为船用柴油机电控共轨系统在构成型式、运行方式等方面与车用系统存在较大差别,针对车用电控共轨系统的故障诊断技术难以直接应用于船用电控共轨系统。同时现有研究工作缺乏对电控共轨系统的故障推理和隔离技术研究,难以有效指导维修。本文基于在线测试技术开展大功率船用柴油机电控共轨系统故障诊断技术研究,对于提高船用大功率柴油机可靠性和维修性意义重大。基于故障及失效模式分析（FMEA）方法,分析了本文研究的大功率船用柴油机电控共轨系统潜在故障模式,并给出故障在线测试方法。基于多信号流图技术建立了测试性模型,并分析出电控共轨系统的“故障—测试”相关性矩阵,最后给出了基于相关性矩阵模型的在线诊断算法。故障检测率和覆盖率达到100%,隔离率为94.44%,满足工程应用要求。针对电控喷油器计量特性具有随时间缓慢衰变的特点以及一致性工程实践要求,提出了面向“群体”特征的在线自学习预测网络算法,并基于喷射时蓄压腔压力变化曲线,结合SPC原理完成在“群体”计量特性缓慢衰变情况下一致性超差故障在线测试算法研究。该算法能在5s内快速跟随电控喷油器特性变化,实测在线学习精度±1%以内,能有效诊断出电控喷油器“群体”中计量特性不一致的电控喷油器。基于PNN神经网络技术,建立限流阀故障态和正常态分类模型,通过在线检测喷射结束后电控喷油器蓄压腔压力变化曲线,能100%识别限流阀故障。通过在线检测喷油器喷油流量、控制油流量及系统泄漏油流量测试油泵故障。通过停机后在线测试共轨压力卸除过程,在线辨识共轨系统泄漏有效流通面积计算模型参数,误差在-6.24%1.34%之间。针对共轨压力信号处理模块研究了基于一致性关系矩阵的物理冗余传感器的互校验诊断算法,对于本文研究的共轨系统,当设定信任度函数阈值为0.7时,该算法能可靠测试出轨压均值正向偏差超过6MPa或者负向偏差超过4MPa的故障传感器。针对转速和相位信号,重点分析了转速和相位信号的自校验测试算法。对于电控喷油器电磁阀和油泵进油计量电磁阀驱动模块,通过蒙特卡洛方法分析并结合工程实际确定特征参数合理区间,通过在线检测电流波形特征值测试驱动模块是否发生故障。基于分布式架构开发了在线诊断系统样机。基于Dspace仿真模拟器硬件板卡及在线诊断系统样机搭建了基于半物理仿真技术的硬件在环仿真验证平台。仿真验证结果表明,开发的在线诊断系统诊断结论正确合理,可配机应用。
谈德荣[5]（2017）在《基于模糊理论的CB18柴油油泵诊断研究》文中进行了进一步梳理随着中国国四排放法规的全面实行,整个商用车市场对于柴油机共轨系统的需求大幅度提升,而相应的对于共轨系统的诊断维修的压力也在增加。对于低成本且快速诊断的共轨服务解决方案是整个市场的发展方向。本文对新一代共轨高压油泵CB18的结构原理和工作过程进行详尽地描述,并且对CB18的关键零部件的失效模式进行了相应地分析与分类,得出CB18高压油泵故障失效产生的原因大多数集中在高压组件、溢流阀、计量单元以及叶片泵等关键零部件上,如何快速准确判断此四类零部件的故障失效是研究的重点。本文主要通过台架试验来模拟油泵在启动工况及空负荷工况下的工作并通过压力传感器提取油泵高压输出端及低压油路的波形数据,之后选取了高压输出端和低压油路相应压力波形的特征参数如高压输出端最大压力幅值、高压输出端波形上升沿宽度、高压输出端波形持续沿宽度、低压油路最大压力幅值及低压油路压力幅值均方差等这5种特征参数。之后通过标准泵和各失效泵的压力波形特征参数差异性分析得出通过选取的波形特征参数来判断各个关键零部件的失效是可行和有效的。接着对四类关键零部件失效的CB18油泵进行台架试验并通过模糊理论中的最大隶属度划分和海明距离贴近度的识别方法有效识别了待检故障油泵的失效模式。本论文的研究意义在于通过模糊识别来判断故障油泵的波形从而在不拆解油泵的基础上定位油泵失效零部件,有效减少了诊断时间,通过更换失效零部件可以有效降低高压油泵的维修成本。为之后开发基于模糊识别所构成的波形故障自动识别诊断设备起到指导作用。
刘昱[6]（2016）在《基于振动分析的柴油机燃油系统与配气机构故障诊断研究》文中认为柴油机是一种最常见的动力装置,在国民经济和人们的日常生活中起着举足轻重的作用,但复杂的结构和恶劣的工作条件导致柴油机故障时有发生,给人们的生命和财产造成了很大的威胁。据统计,在导致柴油机故障的各种原因中燃油系统故障与配气机构故障所占的比例较高,分别为27%和15.1%。此外,燃油系统与配气机构直接影响着发动机的燃烧情况,它们的工作状况对整个发动机能否正常高效运转具有重要影响。因此,本文从柴油机故障诊断的实际需求出发,选择柴油机中故障概率较高的燃油系统与配气机构作为研究对象,以分析缸盖振动为切入点,对柴油机燃油系统和配气机构的故障诊断方法开展深入研究,具体包括以下几个方面:分析了柴油机缸盖的主要激励源,建立了柴油机缸盖振动信息模型,并对柴油机缸盖振动的时域和频域特性进行了研究。在两台柴油机上进行了故障实验,分别模拟了5种典型配气机构故障和12种常见的燃油系统与配气机构故障,为后续的研究工作提供了数据支撑。研究了固有时间尺度分解（Intrinsic Time-scale Decomposition,ITD）方法的基本原理,提出了一种基于ITD边际谱和马氏距离的故障诊断方法,并利用该方法对配气机构故障进行了诊断,诊断结果表明该方法可以对配气机构故障进行粗略识别。针对有向无环图的误差累积问题,提出了一种基于类别可分性的改进有向无环图（Separability based Directed Acyclic Graph,SDAG）,并利用该方法构建了相关向量机（Relevance Vector Machine,RVM）多分类模型。此外,提出了一种RVM多分类通用框架概率性纠错输出编码（Probability-based Error Correcting Output Codes,PECOC）,该框架实现了RVM的概率性输出与纠错输出编码多分类方法的有机结合。针对ITD方法的插值方法、终止条件等方面的不足,提出了一种改进固有时间尺度分解（Improved Intrinsic Time-scale Decomposition,IITD）方法,并将ITD方法和SDAG-RVM相结合对柴油机配气机构故障进行诊断。实验分析结果表明该方法可以获得较高的故障诊断精度,优于其它常规方法。研究了IITD方法的模态混叠问题,提出了一种完备总体改进固有时间尺度分解（Complete Ensemble Imporved Intrinsic Time-scale Decomposition,CEIITD）方法,该方法通过向原信号添加正负相反的噪声并且每产生一个旋转分量进行一次集总平均,消除了分解结果中的噪声残留以及由每次分解获得的旋转分量个数不同造成的难以进行集总平均的问题。仿真分析结果表明CEIITD方法较好地解决了IITD方法的模态混叠问题,优于其它常规方法。针对Wigner分布的交叉项问题,提出了一种基于IITD方法的Wigner分布交叉项处理方法即自适应Wigner分布,并利用仿真信号对该方法进行了验证。仿真分析结果表明该方法不仅可以消除交叉项的干扰,而且可以确保时频图具有较高的分辨率和时频聚集性。针对原快速相关滤波（Fast Correlation-based Filter,FCBF）算法未考虑候选特征与已选特征子集间冗余的问题,提出了一种改进FCBF算法。结合自适应Wigner分布、改进FCBF和PECOC-RVM提出了一种新的柴油机燃油系统与配气机构故障诊断方法,该方法将柴油机故障诊断问题转化为时频图像分类问题,从而可以将在图像分类领域得到大量成功应用的不变矩、灰度统计特征、纹理特征和差分分形盒维数等图像特征作为故障特征,降低了特征提取的难度和工作量。实验分析结果表明基于自适应Wigner分布、改进FCBF和PECOC-RVM的柴油机燃油系统与配气机构故障诊断方法可以获得较高的故障诊断精度,优于其它常规方法。针对同时诊断许多种故障时单一故障识别模型精度明显下降的问题,提出了一种基于多级Adaboost-RVM的柴油机燃油系统和配气机构故障诊断方法。该方法利用KFCM算法将包含较多种故障类型的复杂分类问题分解为若干个简单的问题,通过对每个简单分类问题输出结果的整合便可以获得复杂分类问题的输出结果,同时采用Adaboost技术对弱分类器进行提升,进一步增强了分类算法的诊断能力。实验分析结果表明该方法对于故障类型较多的诊断问题具有明显的优势,优于其它常规方法。
高伟冲[7]（2016）在《船用柴油机典型故障分析与诊断技术研究》文中进行了进一步梳理柴油机作为船舶综合电力推进系统的主要原动机之一,其性能的好坏对整个电力推进系统的性能产生巨大的影响。由于柴油机的结构复杂、运行环境恶劣,因此发生故障的可能性很大,一旦发生故障,不仅会使得柴油机自身的性能大大降低,而且还会使得整个推进系统的性能降低,甚至造成重大的事故。因此对柴油机进行状态的监测以及故障的诊断具有重要的意义。本文以船舶综合电力推进系统中的发电用柴油机为研究对象,从柴油机的故障模式、柴油机故障的特征、故障的诊断、状态监测与故障诊断软件的开发等方面展开相关研究。本文具体的工作如下:（1）柴油机故障模式的分析。首先对柴油机的工作原理及组成进行了简述,其次主要总结了冷却系统、配气系统以及燃油系统常见的故障,并且采用FMEA法对以上三个系统的相关故障进行了分析,得到了各个故障发生的机理及其影响。最终得到了柴油机冷却系统、配气系统、燃油系统故障的FMEA表,并且确定了本文所要研究的五种故障模式。（2）柴油机故障的特征分析。首先对16缸柴油机建立了数学模型,在此基础上采用平均值建模的方法搭建了柴油机的平均值模型。针对柴油机常见的五种故障即空气滤清器污阻、中冷器气侧污阻、中冷器水侧积垢、增压器故障以及涡轮保护格栅堵塞故障在仿真模型上分别进行了负荷为100%、90%、80%、70%、60%、50%时不同故障程度下的仿真模拟。通过在仿真模型上故障的模拟仿真,最终得到了各个故障时柴油机性能的变化情况。（3）柴油机故障的诊断。分别采用PNN神经网络及基于PCA的PNN神经网络建立了 16缸柴油机故障的诊断模型。结果表明,基于PCA的PNN神经网络具有较高的效率以及100%的诊断准确率。同时以排气温度为例,利用灰色理论对柴油机的故障进行了预测,为柴油机的健康管理提供了技术支持。（4）柴油机的状态监测与典型故障诊断软件开发。在建立柴油机故障诊断网络的基础上搭建了柴油机状态监测与典型故障诊断软件,并且对16缸柴油机在70%负荷下正常运行进行了状态的监测以及其增压器故障的诊断,最终实现了柴油机状态的监测与典型故障的诊断。同时,利用软件实现了由排气温度进行故障预测的初步研究,结果表明此软件可以对故障进行相应的预测。
王霞[8]（2015）在《非平稳信号特征提取方法研究及其在内燃机故障诊断中的应用》文中指出内燃机健康状态评估与不解体故障诊断是内燃机及以其为动力源的机械系统以最小的维护与维修成本安全运行的重要保障措施。内燃机表面振动信号中包含了丰富的状态信息,但由于内燃机结构复杂、运行工况多变的工作特点,导致其表面振动信号表现为繁杂的非平稳、非线性时变信号,很难直接作为内燃机健康状态评估与故障诊断的依据。因此,对内燃机表面振动信号进行深度加工并提取能表征其运行状态的关键特征就成为内燃机不解体故障诊断方法研究中的关键问题。论文研究了非平稳、非线性振动信号特征提取方法及模式识别理论。通过对内燃机振动信号的分析再处理,提取能表征内燃机运行状态的关键特征信息,对比提取的特征信息并利用模式识别器进行分类,实现内燃机工作状态和故障类型的判定。论文在研究小波阈值降噪理论的基础上,提出了一种基于自适应小波包改进阈值的降噪方法。仿真结果表明,该方法在信噪比及均方根误差方面均优于传统小波阈值降噪法。通过研究局域波分解与小波包分解频带能量理论,提出EEMD-小波能量与LMD-小波能量信号特征提取方法,并利用两种方法对柴油机喷油提前角故障进行诊断,结果表明:LMD-小波能量方法在故障诊断中更优。同时,针对盲源分离过程中无法实现单通道信号输入以及经验模态分解（EMD）和基于线性假设的独立分量分析（ICA）在分析非线性信号方面的不足,提出基于局域均值分解（LMD）与核独立分量分析（KICA）协同的信号源特征提取方法（LMD-KICA）,并且在柴油机故障诊断中得到应用。以LMD与KICA协同的信号特征提取方法为基础,论文提出基于KICA-LMD分形理论的信号特征提取方法（KICA-LMD-CD）。首先利用自适应小波包改进阈值方法和数学形态滤波方法对柴油机故障信号进行降噪预处理,然后经过KICA-LMD分解后计算分量（PFs）分形关联维数值,通过分析关联维数值大小及其变化趋势判断柴油机喷油提前角状态。同时探讨了噪声及局域波分解对柴油机振动信号关联维数计算的影响。结果表明:噪声对关联维数值计算影响较大,降噪是计算关联维数的前提;KICA-LMD分解后分量PFs的关联维数值可以作为柴油机工作状态的判断依据。将支持向量机作为柴油机气门间隙故障诊断的分类识别器。提出了一种基于KICA-LMD相关系数的信号特征提取方法,用于提取某六缸柴油机振动信号分解分量PFs的相关系数,并作为支持向量机的特征量对柴油机故障进行分类。综合上述方法提出了一种多特征提取分类识别的信号特征提取方法。对某六缸柴油机气门间隙七种状态的缸盖振动信号提取特征信息,包括:数据统计特征,相关性特征,分形特征及能量特征等。故障模式识别结果表明,第一,相关系数、关联维数、能量特征识别率达到99.4351%,能很好的表征系统的非线性状态特征,而数据统计特征识别率仅为87.1429%;第二,经过降维处理后的分类器比未降维处理的分类器识别率高。
钟毅[9]（2014）在《船艇柴油发动机故障诊断系统研究与设计》文中指出柴油发动机具有节油性好、工作稳定、持续耐久、输出功率大、排气污染小等一系列优点,在各型船艇上得到了广泛的应用。本航海单位的船艇需要频繁遂行补给、护航及警戒任务,而船艇大量装备使用柴油发动机,尤其以镇柴2330型号的柴油机居多。因任务密集,使用频率较高,其中柴油发动机的故障率也骤然上升。对柴油机故障的预判与诊断处置要求越来越高。由于船艇需要长期保持良好战备状态,不能频繁的拆解其柴油机来诊断,所以需要在线的故障诊断和检测技术。故本文研究了基于虚拟仪器的故障诊断系统,以提高柴油发动机故障诊断的直观性及实用性。本文针对我部门船艇装备率较高的镇柴2330型柴油发动机为研究对象,以此类型柴油机常见故障为基本类型,将虚拟仪器技术用于柴油机故障诊断系统的信号采集、频时域分析、小波分析和数据库管理等方面,并采用基于模糊聚类的方法展开故障识别方面的应用研究。本文主要的研究工作如下：1)分析柴油发动机故障机理及特征；2)对故障诊断系统进行总体设计；采用小波分析技术对柴油发动机故障机理及特征展开分析,遵从简单、实用、精确、高效的原则,进一步对柴油发动机故障诊断系统的软硬件部分进行总体设计。3)对柴油发动机综合性能监测系统进行详细设计与分析；建立起综合监测系统的内容主要是,对柴油发动机的动力性能监测系统、缸套-活塞磨损故障诊断系统、失火故障诊断系统以及燃油喷射故障诊断系统进行了详细设计与分析。4)基于模糊聚类分析的柴油发动机故障诊断方法及应用。考虑到柴油机工况故障类别往往难以准确掌握,采用模糊聚类的处理方法比较适宜。本文主要采用模糊聚类算法对柴油发动机进行故障诊断。结合13个柴油发动机的工况点信息,采用本文研究的模糊聚类方法,可以诊断出故障类型及原因。最后,本文针对镇柴2330的常见故障问题,采用本文提出故障诊断方法进行应用分析,能够清楚地诊断出故障类型。试验表明该系统具有一定的诊断效果及应用价值。
白士红,杜新成[10]（2014）在《复合神经网络在柴油机故障诊断中的应用》文中提出以自组织特征映射网络SOM（Self-Organizing Feature Mapping）和误差反向传播网络BP（Back Propagation）为理论基础,提出了SOM-BP神经网络模型,将某内燃机燃油系统故障及其相关参数作为训练样本,通过仿真试验,验证了复合神经网络在柴油机故障诊断中的正确性和精确性.
二、基于模糊模式识别法诊断船艇柴油机燃油系统故障（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、基于模糊模式识别法诊断船艇柴油机燃油系统故障（论文提纲范文）
（1）基于局部回归神经网络的柴油机燃油喷射系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 柴油机燃油系统故障诊断的难点 |
| 1.4 神经网络在故障诊断中的应用 |
| 1.5 研究内容与论文结构 |
| 1.5.1 主要研究内容 |
| 1.5.2 论文结构 |
| 2 神经网络基本理论 |
| 2.1 神经网络概论 |
| 2.1.1 神经网络的产生和发展 |
| 2.1.2 神经元模型及其学习机理 |
| 2.2 BP神经网络 |
| 2.2.1 BP神经网络结构 |
| 2.2.2 BP网络学习算法 |
| 2.3 Elman神经网络 |
| 2.3.1 Elman神经网络结构 |
| 2.3.2 Elman神经网络计算流程 |
| 2.3.3 Elman网络学习算法 |
| 2.4 Elman神经网络的改进 |
| 2.4.1 学习算法的改进 |
| 2.4.2 激励函数的改进 |
| 2.4.3 网络结构的改进 |
| 2.5 本章小结 |
| 3 自适应遗传算法优化Elman神经网络 |
| 3.1 遗传算法简介 |
| 3.1.1 传统遗传算法的流程 |
| 3.1.2 传统遗传算法的缺点 |
| 3.2 自适应遗传算法 |
| 3.2.1 自适应遗传算法简介 |
| 3.2.2 选择算子的改进 |
| 3.2.3 交叉算子的改进 |
| 3.2.4 变异算子的改进 |
| 3.2.5 利用Shubert函数验证自适应遗传算法 |
| 3.3 神经网络的遗传算法优化 |
| 3.3.1 遗传算法优化Elman神经网络的必要性 |
| 3.3.2 遗传算法优化Elman神经网络的实现 |
| 3.4 本章小结 |
| 4 船舶柴油机燃油喷射系统故障诊断研究 |
| 4.1 船舶柴油机燃油喷射系统介绍 |
| 4.1.1 柴油机燃油喷射系统的分类 |
| 4.1.2 柴油机燃油喷射系统的组成 |
| 4.1.3 柴油机燃油系统的工作过程 |
| 4.1.4 柴油机燃油喷射系统部件要求 |
| 4.2 柴油机燃油喷射系统故障诊断 |
| 4.2.1 燃油喷射系统常见的几种故障 |
| 4.2.2 柴油机燃油系统故障诊断的常见方法 |
| 4.2.3 特征向量的提取及样本数据 |
| 4.2.4 变量筛选方法 |
| 4.2.5 结果分析 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 原始数据 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（2）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 |
（3）基于VMD与KFCM的柴油机故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 柴油机故障诊断技术的研究背景和发展趋势 |
| 1.2 国内外故障诊断技术的研究现状 |
| 1.2.1 信号处理算法的研究现状 |
| 1.2.2 模式识别方法的研究现状 |
| 1.3 论文的主要研究内容 |
| 第二章 变分模态分解与核模糊-C均值聚类理论基础 |
| 2.1 变分模态分解理论 |
| 2.1.1 维纳滤波与希尔伯特变换 |
| 2.1.2 变分模态分解理论 |
| 2.1.3 变分模态分解的模拟验证 |
| 2.2 核模糊C-均值聚类理论 |
| 2.3 奇异值分解理论 |
| 2.4 本章小结 |
| 第三章 柴油机故障诊断试验以及数据分析 |
| 3.1 柴油机故障诊断试验 |
| 3.1.1 试验系统与设备参数 |
| 3.1.2 采样频率的选择 |
| 3.1.3 故障类型的设置 |
| 3.2 试验柴油机振动信号初步分析 |
| 3.3 本章小结 |
| 第四章 VMD优化方法及其试验验证 |
| 4.1 基于相关度筛选的K值自适应优化方法 |
| 4.1.1 优化算法的基本原理 |
| 4.1.2 优化VMD算法中的参数选择 |
| 4.2 优化VMD算法对柴油机故障诊断信号的分解验证 |
| 4.3 基于二次惩罚因子α的研究 |
| 4.4 本章小结 |
| 第五章 基于VMD-KFCM的联合故障诊断方法 |
| 5.1 单类故障诊断及特征参数的选择 |
| 5.2 柴油机多类故障诊断 |
| 5.3 柴油机多类典型故障诊断及其程度区分 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 附录 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（4）基于在线测试技术的船用大功率柴油机电控共轨系统故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 高压共轨燃油喷射技术发展趋势 |
| 1.1.2 电控技术发展趋势 |
| 1.1.3 电控共轨技术其他方面的发展 |
| 1.1.4 燃油和电控系统故障是柴油机主要故障 |
| 1.2 本文研究的船用大功率柴油机电控共轨系统 |
| 1.2.1 电控共轨系统构成及部套功能 |
| 1.2.2 电控共轨系统基本工作原理 |
| 1.3 电控共轨系统故障诊断技术研究现状 |
| 1.3.1 国外技术研究现状 |
| 1.3.2 国内技术研究现状 |
| 1.3.3 存在的主要问题 |
| 1.4 开展船用电控共轨系统在线诊断技术研究的意义 |
| 1.5 本文主要研究内容 |
| 第2章 基于在线测试技术的诊断策略研究 |
| 2.1 在线测试(BIT)技术的基础理论 |
| 2.1.1 基本概念 |
| 2.1.2 在线测试(BIT)系统的数学模型 |
| 2.2 基于FMEA方法的系统故障及失效模式分析 |
| 2.2.1 电控共轨子系统FMEA分析 |
| 2.2.2 电控高压油泵FMEA分析 |
| 2.2.3 共轨管FMEA分析 |
| 2.2.4 限流阀FMEA分析 |
| 2.2.5 电控喷油器FMEA分析 |
| 2.2.6 喷射控制单元FMEA分析 |
| 2.2.7 电源处理模块FMEA分析 |
| 2.2.8 MCU及配置电路模块FMEA分析 |
| 2.2.9 转速及相位信号处理模块FMEA分析 |
| 2.2.10 轨压信号处理模块FMEA分析 |
| 2.2.11 高压油泵电磁阀驱动模块FMEA分析 |
| 2.2.12 电控喷油器电磁阀驱动模块FMEA分析 |
| 2.3 基于多信号流图的系统测试性建模 |
| 2.4 基于系统多信号模型的测试性分析 |
| 2.5 基于相关性矩阵模型的在线诊断算法 |
| 2.6 本章小结 |
| 第3章 高压共轨故障在线测试技术研究 |
| 3.1 基本理论概述 |
| 3.1.1 RBF神经网络概述 |
| 3.1.2 SPC技术概述 |
| 3.1.3 蒙特卡洛(MonteCarlo,MC)算法 |
| 3.1.4 概率神经网络 |
| 3.2 高压共轨系统模型 |
| 3.2.1 电控高压油泵数学模型 |
| 3.2.2 高压油管及共轨管数学模型 |
| 3.2.3 限流阀数学模型 |
| 3.2.4 限压阀数学模型 |
| 3.2.5 电控喷油器数学模型 |
| 3.3 高压共轨系统模型标定 |
| 3.3.1 试验台及仪器介绍 |
| 3.3.2 电控喷油器模型标定 |
| 3.3.3 电控喷油器、限流阀模型联合标定 |
| 3.3.4 电控高压油泵模型标定 |
| 3.3.5 高压共轨全系统模型标定 |
| 3.4 基于在线自学习神经网络的电控喷油器计量特性故障测试 |
| 3.4.1 基于蓄压腔压力的计量特性分析 |
| 3.4.2 基于蒙特卡洛方法的特征参数容差分析 |
| 3.4.3 基于RBF神经网络的计量特性故障在线自学习测试 |
| 3.4.4 在线自学习计量特性预测网络的离线训练 |
| 3.4.5 面向“群体”特征的预测网络在线自适应学习算法 |
| 3.4.6 基于SPC原理的计量特性一致性超差故障测试 |
| 3.4.7 计量特性故障在线自学习测试算法验证 |
| 3.5 基于概率神经网络的限流阀故障测试 |
| 3.5.1 基于仿真计算的限流阀典型故障特征分析 |
| 3.5.2 基于概率神经网络的限流阀故障测试算法 |
| 3.6 基于泵油特性的电控高压油泵故障测试 |
| 3.6.1 基于RBF神经网络的喷油器喷油量及回油量在线辨识 |
| 3.6.2 基于泄压过程的共轨系统泄漏总量在线辨识 |
| 3.6.3 基于泵油特性的高压油泵故障在线测试算法 |
| 3.7 限压阀及管系泄漏故障在线测试 |
| 3.8 本章小结 |
| 第4章 喷射控制单元故障在线测试技术研究 |
| 4.1 基于物理冗余的轨压信号处理模块故障测试 |
| 4.1.1 轨压信号处理模块仿真建模及标定 |
| 4.1.2 基于仿真计算的轨压信号处理模块故障特征分析 |
| 4.1.3 基于一致性关系矩阵的故障测试算法 |
| 4.1.4 基于一致性关系矩阵的互校验算法试验验证 |
| 4.2 转速和相位信号处理模块故障在线测试 |
| 4.2.1 模块仿真建模与标定 |
| 4.2.2 典型故障模式下的特征分析 |
| 4.2.3 基于“齿周期”的转速及相位信号自校验算法 |
| 4.2.4 自校验算法验证 |
| 4.3 基于电流波形的喷油器电磁阀驱动电路故障在线测试 |
| 4.3.1 建模及标定 |
| 4.3.2 典型故障下的驱动电流波形特征分析 |
| 4.3.3 基于蒙特卡洛方法的特征参数容差分析 |
| 4.3.4 故障测试算法及试验验证 |
| 4.4 高压油泵电磁阀驱动模块故障在线测试 |
| 4.4.1 驱动电路建模及标定 |
| 4.4.2 典型故障模式下的特征分析 |
| 4.4.3 故障特征参数容差分析 |
| 4.4.4 故障测试算法 |
| 4.5 电源及MCU故障在线测试 |
| 4.6 本章小结 |
| 第5章 基于硬件在环的故障诊断策略验证 |
| 5.1 基于分布式架构的在线故障诊断系统 |
| 5.2 基于半物理仿真技术的硬件在环仿真验证平台 |
| 5.2.1 基于dSPACE的仿真模拟器硬件 |
| 5.2.2 基于Simulink的实时仿真模型 |
| 5.2.3 仿真模拟器验证 |
| 5.3 电控共轨系统故障注入及在线诊断系统验证 |
| 5.4 本章小结 |
| 第6章 全文总结与展望 |
| 6.1 全文总结和创新点 |
| 6.2 工作展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读博士学位期间承担的科研任务与主要成果 |
（5）基于模糊理论的CB18柴油油泵诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.2 燃油系统诊断技术的概述与发展 |
| 1.2.1 故障诊断方法的研究现状与发展 |
| 1.2.2 燃油系统诊断技术概述与发展 |
| 1.3 本文的主要研究内容 |
| 第二章 CB18高压燃油油泵及其典型失效模式分析 |
| 2.1 CB18 高压油泵的结构原理和功能 |
| 2.1.1 高压油泵的结构原理 |
| 2.1.2 油泵零部件组成和主要零部件功用 |
| 2.1.3 油泵的功能特性要求 |
| 2.2 共轨燃油系统对CB18 的要求及影响 |
| 2.3 CB18 高压油泵常见故障现象及原因 |
| 2.3.1 CB18 高压油泵常见故障及现象与成因 |
| 2.3.2 CB18 高压油泵关键零部件对共轨燃油系统及发动机的影响 |
| 2.4 本章小结 |
| 第三章 试验方案及燃油压力波形特征参数 |
| 3.1 CB18 供油过程 |
| 3.2 试验方案及测试步骤 |
| 3.3 高压燃油波形的形态 |
| 3.4 高压燃油波形的特征参数 |
| 3.5 特征参数的差异分析 |
| 3.5.1 启动工况下的特征参数差异分析 |
| 3.5.2 空负荷工况下的特征参数差异分析 |
| 3.6 本章小结 |
| 第四章 CB18 高压油泵模糊识别诊断应用 |
| 4.1 基于油压波形的油泵故障模糊诊断方法 |
| 4.2 特征参数提取及模糊化过程 |
| 4.3 故障模式模糊识别方法及验证 |
| 4.3.1 识别方法 |
| 4.3.2 故障识别的验证 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 研究内容总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
（6）基于振动分析的柴油机燃油系统与配气机构故障诊断研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 柴油机故障诊断技术概述 |
| 1.2.1 常用的柴油机故障方法 |
| 1.2.2 基于振动分析法的柴油机故障诊断的研究内容和一般过程 |
| 1.3 基于振动分析的柴油机故障诊断国内外研究现状 |
| 1.3.1 振动特性分析和故障机理研究 |
| 1.3.2 信号处理与故障特征提取研究 |
| 1.3.3 特征选择研究 |
| 1.3.4 故障模式识别研究 |
| 1.4 本文主要研究内容 |
| 第二章 柴油机缸盖振动特性分析及故障实验 |
| 2.1 引言 |
| 2.2 柴油机缸盖振动特性分析 |
| 2.2.1 柴油机缸盖激励源分析 |
| 2.2.2 柴油机缸盖振动信息模型 |
| 2.2.3 柴油机缸盖振动信号的时域特性 |
| 2.2.4 柴油机缸盖振动信号的频域特性 |
| 2.3 柴油机故障实验 |
| 2.3.1 故障实验I |
| 2.3.2 故障实验Ⅱ |
| 2.4 本章小结 |
| 第三章 基于固有时间尺度分解的振动信号处理方法研究 |
| 3.1 引言 |
| 3.2 常用的非平稳信号分析方法 |
| 3.2.1 EMD |
| 3.2.2 LMD |
| 3.3 ITD方法 |
| 3.3.1 ITD原理 |
| 3.3.2 ITD与EMD和LMD对比 |
| 3.4 ITD边际谱在柴油机配气机构故障诊断中的应用 |
| 3.4.1 ITD边际谱定义 |
| 3.4.2 基于ITD边际谱和马氏距离的柴油机配气机构故障诊断 |
| 3.5 本章小结 |
| 第四章 基于相关向量机的模式识别方法研究 |
| 4.1 引言 |
| 4.2 常用模式识别方法 |
| 4.2.1 k-NN |
| 4.2.2 BP神经网络 |
| 4.2.3 支持向量机 |
| 4.3 相关向量机 |
| 4.3.1 RVM原理 |
| 4.3.2 RVM快速算法 |
| 4.3.3 RVM核函数 |
| 4.4 RVM多分类策略 |
| 4.4.1 常用RVM多分类策略简介 |
| 4.4.2 SDAG |
| 4.4.3 PECOC |
| 4.5 本章小结 |
| 第五章 基于IITD和SDAG-RVM的柴油机配气机构故障诊断方法 |
| 5.1 引言 |
| 5.2 ITD方法的不足 |
| 5.2.1 插值方法 |
| 5.2.2 分量判据 |
| 5.2.3 端点效应 |
| 5.2.4 终止条件 |
| 5.3 IITD方法 |
| 5.3.1 IITD方法流程 |
| 5.3.2 仿真分析 |
| 5.4 IITD和SDAG-RVM在柴油机配气机构故障诊断中的应用 |
| 5.4.1 故障特征定义 |
| 5.4.2 基于IITD和SDAG-RVM的配气机构故障诊断方法 |
| 5.4.3 故障诊断结果 |
| 5.4.4 特征提取方法对比 |
| 5.4.5 模式识别方法对比 |
| 5.5 CEIITD方法 |
| 5.5.1 IITD方法的模态混叠问题 |
| 5.5.2 EIITD方法 |
| 5.5.3 CEIITD方法 |
| 5.6 本章小结 |
| 第六章 基于自适应Wigner分布、改进FCBF和PECOC-RVM的柴油机燃油系统与配气机构故障诊断方法 |
| 6.1 引言 |
| 6.2 自适应Wigner分布 |
| 6.2.1 Wigner分布原理 |
| 6.2.2 Wigner分布交叉项问题 |
| 6.2.3 自适应Wigner分布算法流程 |
| 6.2.4 仿真分析 |
| 6.3 基于信息度量的特征选择方法 |
| 6.3.1 特征选择方法基本流程 |
| 6.3.2 基于互信息的特征选择算法 |
| 6.3.3 改进FCBF方法 |
| 6.4 自适应Wigner分布、改进FCBF和PECOC-RVM在柴油机燃油系统与配气机构故障诊断中的应用 |
| 6.4.1 故障特征定义 |
| 6.4.2 基于自适应Wigner分布、改进FCBF和PECOC-RVM的故障诊断方法 |
| 6.4.3 实验分析 |
| 6.4.4 对比分析 |
| 6.5 本章小结 |
| 第七章 基于多级Adaboost-RVM的柴油机燃油系统与配气机构故障诊断方法 |
| 7.1 引言 |
| 7.2 KFCM原理 |
| 7.2.1 c-均值聚类 |
| 7.2.2 FCM |
| 7.2.3 KFCM |
| 7.3 Adaboost-RVM |
| 7.3.1 Adaboost原理 |
| 7.3.2 Adaboost-RVM方法 |
| 7.3.3 多级Adaboost-RVM方法 |
| 7.4 多级Adaboost-RVM在柴油机燃油系统与配气机构故障诊断中的应用 |
| 7.4.1 故障特征定义 |
| 7.4.2 基于多级Adaboost-RVM的柴油机燃油系统与配气机构故障诊断方法流程 |
| 7.4.3 故障诊断结果 |
| 7.4.4 对比分析 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 全文总结 |
| 8.2 工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（7）船用柴油机典型故障分析与诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 柴油机故障诊断方法与研究现状 |
| 1.2.1 柴油机故障诊断方法 |
| 1.2.2 国外柴油机故障诊断研究现状 |
| 1.2.3 国内柴油机故障诊断研究现状 |
| 1.3 柴油机故障诊断存在的问题及发展趋势 |
| 1.4 主要研究内容 |
| 第2章 柴油机典型故障模式分析 |
| 2.1 引言 |
| 2.2 故障模式及影响分析法简介 |
| 2.3 柴油机的基本工作原理及其组成 |
| 2.3.1 柴油机工作原理 |
| 2.3.2 增压柴油机的基本组成 |
| 2.4 柴油机常见故障分析 |
| 2.4.1 冷却系统 |
| 2.4.2 配气系统 |
| 2.4.3 燃油系统 |
| 2.5 本章小结 |
| 第3章 柴油机典型故障特征分析 |
| 3.1 引言 |
| 3.2 柴油机数学模型 |
| 3.2.1 平均值建模方法概述 |
| 3.2.2 空气滤清器模型 |
| 3.2.3 增压器模型 |
| 3.2.4 中冷器模型 |
| 3.2.5 柴油机本体模型 |
| 3.2.6 调速控制系统模型 |
| 3.3 柴油机仿真模型及其验证 |
| 3.4 故障的模拟 |
| 3.4.1 故障模拟的原理 |
| 3.4.2 故障的植入规则及特征参数的确定 |
| 3.4.3 空气滤清器污阻 |
| 3.4.4 中冷器气侧污阻 |
| 3.4.5 中冷器水侧积垢 |
| 3.4.6 增压器故障 |
| 3.4.7 涡轮保护格栅堵塞 |
| 3.5 本章小结 |
| 第4章 柴油机故障诊断技术研究 |
| 4.1 引言 |
| 4.2 柴油机故障诊断原理 |
| 4.3 柴油机故障诊断 |
| 4.3.1 基于概率神经网络的故障诊断 |
| 4.3.2 基于PCA的概率神经网络故障诊断 |
| 4.3.3 基于PNN和基于PCA的PNN诊断效果比较 |
| 4.4 基于灰色理论的故障预测 |
| 4.5 本章小结 |
| 第5章 柴油机典型故障诊断软件 |
| 5.1 引言 |
| 5.2 柴油机典型故障诊断软件总体设计 |
| 5.2.1 诊断软件人机交互前面板 |
| 5.2.2 诊断软件程序面板 |
| 5.3 故障诊断实例 |
| 5.3.1 正常运行 |
| 5.3.2 增压器故障诊断 |
| 5.3.3 故障预测 |
| 5.4 本章小结 |
| 结论 |
| 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 |
（8）非平稳信号特征提取方法研究及其在内燃机故障诊断中的应用（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题意义 |
| 1.2 内燃机故障诊断方法研究现状 |
| 1.2.1 振动信号的非平稳性 |
| 1.2.2 传统信号处理方法 |
| 1.2.3 基于小波分解的信号降噪方法 |
| 1.2.4 数学形态滤波 |
| 1.2.5 局域波理论 |
| 1.2.6 核独立分量分析 |
| 1.2.7 分形理论 |
| 1.2.8 支持向量机 |
| 1.3 论文结构安排与主要工作 |
| 第二章 振动信号降噪方法研究 |
| 2.1 引言 |
| 2.2 小波降噪原理 |
| 2.2.1 离散小波变换（DWT） |
| 2.3 自适应小波包降噪原理 |
| 2.3.1 最佳小波包基的选择 |
| 2.4 小波阈值降噪方法 |
| 2.4.1 传统小波阈值降噪法 |
| 2.4.2 软硬阈值的改良折衷法 |
| 2.4.3 自适应小波包改进阈值法 |
| 2.5 多尺度形态滤波器 |
| 2.5.1 数学形态的基本原理 |
| 2.5.2 多尺度数学形态滤波器 |
| 2.5.3 均值多尺度数学形态梯度 |
| 2.5.4 仿真分析 |
| 2.5.5 数学形态滤波在柴油机故障信号降噪中的应用 |
| 2.6 本章小结 |
| 第三章 基于局域波分解-小波能量的特征提取方法 |
| 3.1 引言 |
| 3.2 经验模态分解 |
| 3.2.1 EMD的端点效应 |
| 3.2.2 EMD的模态混叠现象 |
| 3.2.3 总体经验模态分解 |
| 3.3 局域均值分解的原理与算法 |
| 3.3.1 LMD和EMD分解过程对比 |
| 3.3.2 仿真分析 |
| 3.3.3 端点效应 |
| 3.3.4 端点效应比较 |
| 3.4 端点效应抑制方法研究 |
| 3.4.1 信号序列镜像延拓原理 |
| 3.4.2 仿真分析 |
| 3.5 基于局域波-小波能量的故障诊断方法 |
| 3.5.1 基于小波包分解的频带能量分析 |
| 3.5.2 基于EEMD-小波能量的特征提取方法 |
| 3.5.3 基于LMD-小波能量的特征提取方法 |
| 3.6 本章小结 |
| 第四章 LMD-KICA单通道信号特征提取方法 |
| 4.1 引言 |
| 4.2 独立分量分析的基本原理 |
| 4.2.1 仿真分析 |
| 4.3 核方法的基本原理 |
| 4.3.1 核独立分量分析方法 |
| 4.3.2 仿真分析 |
| 4.4 LMD-KICA信号特征提取方法 |
| 4.4.1 仿真分析 |
| 4.4.2 LMD-KICA方法在柴油机喷油量故障诊断中的应用 |
| 4.4.3 LMD-KICA方法在柴油机气门间隙故障诊断中的应用 |
| 4.5 本章小结 |
| 第五章 KICA-LMD-分形特征提取方法 |
| 5.1 引言 |
| 5.2 关联维数 |
| 5.2.1 关联维数的G-P算法 |
| 5.2.2 参数的选择 |
| 5.2.3 仿真实验 |
| 5.2.4 噪声对参数选择的影响 |
| 5.3 KICA-LMD分解方法 |
| 5.3.1 仿真分析 |
| 5.4 KICA-LMD-分形方法在内燃机故障诊断中的应用 |
| 5.4.1 实验方案 |
| 5.4.2 关联维数参数的确定 |
| 5.5 内燃机喷油提前角故障诊断结果及讨论 |
| 5.5.1 柴油机喷油提前角故障诊断结果 |
| 5.5.2 噪声对关联维数值的影响 |
| 5.5.3 局域波分解对故障判断的影响 |
| 5.6 本章小结 |
| 第六章 LMD-KICA-相关系数模式识别法 |
| 6.1 引言 |
| 6.2 支持向量机（SVM） |
| 6.3 基于LMD-KICA与相关系数的SVM模式识别方法 |
| 6.3.1 相关性分析 |
| 6.3.2 基于LMD-KICA相关系数的模式识别方法 |
| 6.4 LMD-KICA相关系数的SVM在柴油机故障诊断中的应用 |
| 6.4.1 柴油机喷油量故障诊断 |
| 6.4.2 柴油机喷油提前角故障诊断 |
| 6.5 本章小结 |
| 第七章 多特征提取分类方法及其在内燃机故障诊断中的应用 |
| 7.1 引言 |
| 7.2 柴油机振动信号多特征信息提取 |
| 7.2.1 关联维数参数的选取 |
| 7.3 故障分类诊断结果及讨论 |
| 7.4 本章小结 |
| 第八章 全文总结与展望 |
| 8.1 全文总结 |
| 8.2 论文创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（9）船艇柴油发动机故障诊断系统研究与设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景和意义 |
| 1.2 国内外柴油发动机故障诊断的现状及其发展趋势 |
| 1.3 故障诊断的目的和意义 |
| 1.4 本文研究的主要内容 |
| 1.5 本章小结 |
| 2 柴油发动机故障诊断技术 |
| 2.1 故障诊断的基本概念 |
| 2.2 柴油发动机故障诊断技术分析 |
| 2.2.1 柴油发动机故障诊断的流程 |
| 2.2.2 采集与处理信号的技术 |
| 2.2.3 故障特征及其特征值的提取方法 |
| 2.2.4 设备状态分析与故障诊断方法 |
| 2.3 虚拟仪器及其开发 |
| 2.3.1 虚拟仪器概念 |
| 2.3.2 LabVIEW语言 |
| 2.4 本章小结 |
| 3 柴油发动机故障机理及特征分析 |
| 3.1 柴油发动机基本结构 |
| 3.2 柴油发动机动力分析 |
| 3.2.1 柴油机活塞机构动力分析 |
| 3.2.2 曲柄连杆机构运动过程中的受力分析 |
| 3.2.3 配气机构运动过程中的受力分析 |
| 3.3 柴油发动机故障的特征分析 |
| 3.3.1 小波变换理论 |
| 3.3.2 小波变换在LabVIEW中的实现 |
| 3.3.3 小波降噪 |
| 3.3.4 柴油发动机故障信号的特征值提取 |
| 3.4 本章小结 |
| 4 柴油发动机故障诊断系统的总体设计 |
| 4.1 总体结构 |
| 4.2 故障诊断系统的参数确定 |
| 4.3 数据采集系统的设计 |
| 4.3.1 硬件设计 |
| 4.3.2 信号存储及数据库设计 |
| 4.4 虚拟仪器软件平台设计 |
| 4.4.1 功能模块分析 |
| 4.4.2 主程序设计 |
| 4.5 本章小结 |
| 5 柴油发动机故障诊断分系统设计 |
| 5.1 柴油发动机综合性能监测系统设计 |
| 5.1.1 无负载测功的实现 |
| 5.1.2 综合性能监测系统设计 |
| 5.2 基于机身振动信号的缸套-活塞磨损故障诊断设计 |
| 5.2.1 缸套-活塞磨损故障诊断原理 |
| 5.2.2 缸套-活塞磨损故障诊断设计 |
| 5.3 基于缸盖振动信号的失火故障诊断设计 |
| 5.4 基于燃油压力信号的燃油喷射故障诊断设计 |
| 5.5 本章小结 |
| 6 基于模糊聚类分析的柴油发动机故障诊断 |
| 6.1 模糊聚类理论 |
| 6.2 模糊C均值聚类算法 |
| 6.3 柴油发动机故障诊断案例分析 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 论文总结 |
| 7.2 论文的不足与展望 |
| 致谢 |
| 参考文献 |
（10）复合神经网络在柴油机故障诊断中的应用（论文提纲范文）
| 1 SOM神经网络竞争学习原理 |
| 1.1 向量归一化 |
| 1.2 网络输出与权调整 |
| 1.3 重新归一化处理 |
| 2 BP神经网络学习原理 |
| 3 SOM-BP集成神经网络 |
| 4 利用SOM-BP神经网络进行柴油机燃油系统多故障诊断 |
| 5 结论 |
四、基于模糊模式识别法诊断船艇柴油机燃油系统故障（论文参考文献）
- [1]基于局部回归神经网络的柴油机燃油喷射系统故障诊断研究[D]. 章志浩. 大连海事大学, 2020(01)
- [2]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)
- [3]基于VMD与KFCM的柴油机故障诊断方法研究[D]. 汤代杰. 天津大学, 2019(06)
- [4]基于在线测试技术的船用大功率柴油机电控共轨系统故障诊断研究[D]. 金江善. 中国舰船研究院, 2017(12)
- [5]基于模糊理论的CB18柴油油泵诊断研究[D]. 谈德荣. 上海交通大学, 2017(09)
- [6]基于振动分析的柴油机燃油系统与配气机构故障诊断研究[D]. 刘昱. 天津大学, 2016(12)
- [7]船用柴油机典型故障分析与诊断技术研究[D]. 高伟冲. 哈尔滨工程大学, 2016(04)
- [8]非平稳信号特征提取方法研究及其在内燃机故障诊断中的应用[D]. 王霞. 天津大学, 2015(08)
- [9]船艇柴油发动机故障诊断系统研究与设计[D]. 钟毅. 南京理工大学, 2014(02)
- [10]复合神经网络在柴油机故障诊断中的应用[J]. 白士红,杜新成. 中国工程机械学报, 2014(01)