基于EMD和神经网络的柴油机故障特征提取及诊断.pptx

基于EMD和神经网络的柴油机故障特征提取及诊断;1 选题背景;1.1 主要工作;1.2 设计思路;1.3 数据说明;2.经验模式分解（EMD）;2.1特征量的提取;2.1特征量的提取 （2）边际谱的特征向量的构建;2.1特征量的提取（3）AR模型的特征向量的构建;3 数据优化;3.2 遗传算法优化;（2）交叉 本文遗传算法优化方法中采用单点交叉算子。 （3）变异 本文采用基本位变异算子。 ;?;4 神经网络诊断;（1）IMF时域特征量 （a）pca优化后的BP诊断;（1）IMF时域特征量 （b）遗传算法优化后的BP诊断;(2)边际谱的特征向量（a）pca优化后的BP诊断;(2)边际谱的特征向量（b）遗传算法优化后BP诊断;(3)AR谱的特征向量（a）PCA优化后BP诊断;(3)AR谱的特征向量（b）遗传算法优化后BP诊断;（4）结果比较;4.2 概率神经网络（PNN） 由于BP神将网络是基于梯度下降规则的学习算法存在收敛速度慢、容易陷入局部极小值以及网络结构难以确定的缺点，这些都影响了它的学习效率和分类精度，难以满足实时诊断的要求（诊断时间大约10分钟）。 PNN神经网络收敛速度快，训练函数简单（几乎不用训练），而且无论分类问题有多么的复杂，只要有足够多的训练样本，PNN就可以保证在贝利叶斯的准则下获取最优解，样本追加能力强，而且实时性强（诊断时间大约2秒）。;（1）IMF时域特征量 （a）pca优化后的PNN诊断;（1）IMF时域特征量 （b）遗传算法优化后PNN诊断;(2)边际谱的特征向量（a）pca优化后的PNN诊断;(2)边际谱的特征向量（b）遗传算法优化后PNN诊断;(3)AR谱的特征向量（a）PCA优化后的PNN诊断;(3)AR谱的特征向量（b）遗传算法优化后PNN诊断;（4）结果比较;5 总结; 综合考虑诊断正确率高，实时性强的要求，IMF时域特征量经过遗传算法优化后的诊断效果最好。 ;