基于主成分分析和集成神经网络的发动机故障诊断模型研究.pdfVIP

第 22 卷 第 4 期 农 业 工 程 学 报 V o l. 22　N o. 4 2006 年 4 月 T ransactions of the CSA E A p r. 　2006 131 基于主成分分析和集成神经网络的发动机故障诊断模型研究 1, 2 1※ 1 李增芳 , 何　勇 , 宋海燕 ( 1. 浙江大学生物系统工程与食品科学学院, 杭州 310029; 　2. 浙江水利水电高等专科学校机电工程系, 杭州 310018) 摘　要: 针对发动机废气排放参数和故障之间复杂的非线性关系, 提出了一种基于主成分分析和集成神经网络技术的发 动机故障诊断分析模型。该模型首先运用主成分分析方法降低故障诊断样本的输入维数, 然后按发动机不同运转状态将样 本分组, 并用于子网络训练; 故障诊断时, 各子网络分别诊断出相应的结果, 最后采用投票法融合各输出结果。试验结果表 明, 这种模型能有效简化训练样本和样本属性参数, 优化网络结构, 其诊断精度及学习能力优于单一神经网络诊断模型, 能 较好地解决网络规模大、训练速度慢、诊断精度低等缺点。 关键词: 发动机; 故障诊断; 集成神经网络; 主成分分析; 废气分析; 数据融合 中图分类号: T P 183; T K418　　　　文献标识码: A 　　　　文章编号:(2006) 李增芳, 何　勇, 宋海燕. 基于主成分分析和集成神经网络的发动机故障诊断模型研究[J ]. 农业工程学报, 2006, 22 (4) : 131 - 134. L i Zengfang, H e Yong, Song H aiyan. Fault diagno sis model fo r engines based on p rincipal component analysis and ( ) ( ) integrated neural netw o rk [J ]. T ransactions of the CSA E , 2006, 21 4 : 131- 134. in Ch inese w ith English abstract 诊断精度受到影响, 从而影响到模型的通用化。 0　引　言 主成分分析(P rincip le Com ponen t A nalysis, PCA ) 汽车发动机是一个复杂系统, 其故障约占汽车全部 方法是利用降维的思想, 把多因素转化为少数几个不相 故障的 40% 以上。为避免严重事故的发生, 需运用故障 关的综合因素的一种多元统计分析方法。它可把多个故 诊断技术及时了解汽车发动机的工作性能, 判断各部件 障征兆变量转化为较少的彼此不相关的综合变 是否处于或即将处于何种故障状态, 对汽车发动机展开 量[ 10, 11 ] , 以消除网络输入间的相关性及减少网络输入 故障诊断技术理论和诊断系统的研究有着非常重要而 数, 同时集成神经网络技术[ 12, 13 ] 可按不同状态空间将 又现实的意义, 并且已得到广泛的重视[ 1- 9 ]。发动机在 原始样本分组, 分别用于训练各子网络, 以减少不同状 运转过程中各组成部件因运动会产生振动并发出声响,