发动机故障诊断神经网络系统.docVIP

1 绪论 1.1引言 故障诊断学是近几十年发展起来的新兴学科，所谓诊断就是对设备的运行状态作出判断，设备在其运行过程中内部零件受到力、热以及摩擦、磨损等多种作用，其运行状态将不断发生变化。根据设备在运行过程中产生的各种信息来判断设备是否正常运转，并正确指出设备发生故障的确切部位及发生的原因，正确指导设备的管理维修，这就是故障诊断学的研究内容。它是一门综合性技术，涉及传感及测试技术、电子学、信号处理、计算机技术以及人工智能等多门基础学科，是对这些基础理论的综合应用。 发动机作为动力设备，广泛用于车辆、船舶和其它设备上。其运行状态的好坏，直接影响到成套设备的工作状况。因此，对其进行状态监测和故障诊断，确保设备处于最佳运行状态，提高设备维修质量和效率是十分必要的。在汽车故障中，发动机的故障是第一位的；而在发动机故障中，点火系统和电子设备系统的故障又占整个发动机故障的45%以上。这类故障不仅影响汽车的可靠运行，还影响环境保护。因此，对点火系统潜在故障因素准确的诊断并及时采取措施加以排除是十分重要的。当前汽车发动机维修模式急需由“故障后修理”模式向“故障前预防性维修”模式转变。但由于汽车发动机是一个复杂的机、电、油综合系统，故障因素繁多且互相交织和影响，导致诊断十分困难。诊断的正确程度往往与诊断者的知识与经验有关。因此，采用人工智能技术来提高故障诊断的技术水平，是世界各国都十分重视的研究内容。 1.2 文献综述 1.2.1 故障诊断的基本理论 故障诊断是指系统在一定工作环境下查明导致系统某种功能失调的原因或性质，判断劣化状态发生的部位或部件，以及预测状态劣化的发展趋势等。故障诊断的基本思想一般可以这样表述:设被检测对象全部可能发生的状态(包括正常和故障状态)组成状态空间S，它的可观测量特征的取值范围全体构成特征空间Y，当系统处于某一状态时，系统具有确定的特征Y，即存在映射g: S→Y，反之，一定的特征也对应确定的状态，即存在映射f: Y→S。故障诊断的目的在于根据可测量的特征向量来判断系统处于何种状态，也就是找出映射f。 故障诊断的过程有三个主要步骤:第一步是检测设备状态的特征信号；第二步是从所检测到的特征信号中提取征兆；第三步是根据征兆和其它诊断信息来识别设备的状态，从而完成故障诊断。 检测设备状态的特征信号，一般来说，它具有两种表现形式，一种是以能量方式表现出来的特征信号，如振动、噪声、温度、电压、电流、磁场、射线、弹性波等；另一种是以物态形式表现出来的特征信号，如设备产生或排出的烟雾、油液等以及可直接观测到的锈蚀、裂纹等。检测以能量方式所表现出的特征信号，如果不使用人的感官，则必须使用传感装置，因为检测这类信号是通过能量交换来完成的;而提取物态形式的特征信号一般不采用传感装置，只采用特定的收集装置或直接观测。 从所检测的特征信号中提取征兆。如果特征信号是能量形式的，则可以在时域中提取征兆，对于物态形式的特征信号，如油液、烟雾等，其特征提取方法一般是通过特定的物理或化学方法，得到诸如铁谱、光谱、浓度、粘度以及化学成分等征兆。对于直接观测到的裂纹、锈蚀等信息，可以直接作为征兆来使用。对于波形形式的特征信号，根据其波形的特点可以分为三类，第一类是变化极为规则的信号，如通过激振试验产生的正弦形状的振动信号:第二类是变化虽不十分规则但具有明显结构特征的信号，如柴油机喷油压力波形信号、汽油机点火波形信号、钢丝绳断丝的漏磁信号以及人体的心电图信号和脉搏信号等。第三类是变化极不规则的随机信号，如各类振动信号、 噪声信号等。对于第一类特征信号而言，特征信号与征兆之间存在明显的函数关系，因此，其征兆的提取方法一般是函数分析法，即通过数学分析方法 ，由特征信号求得征兆。 对于第二类特征信号，由于其波形具有明显的结构特征，因此，可以在时域中直接识别这类信号的结构特征来形成征兆，这是目前十分值得研究的领域之一。用这种方法来提取波形的结构特征有三种典型的方法:第一种方法是按照波形上波峰波谷前后相继的线性关系，将波形进行分解，并用一字符串来描述整个波形，以此来表达波形的结构特征。第二种方法是用关系数描述波形，这种方法将波形根据其特征点划分为若千个子波形，对每一子波形又由其特征点划分为子子波形，直到每一个子波形为单一的波峰为止，从而组成树形结构来描述波形的结构特征。第三种方法是用特征树来描述波形，这种方法基于自嵌套波形中波峰波谷的主次关系，用具有层次结构的特征树来描述波形，它能反映波形特征的主次关系，特征树中不同层次的波形反映了波峰或波谷的支配与从属关系。这种方法已经成功地用于柴油机喷油压力波形的智能识别过程中，并取得了较为理想的结果。 把提取的征兆输入状态识别装置来识别系统的状态，这是整个诊断过程的核心。一般来说，这一步是将实际上已存在的参考模式(标准模式)与