柴油机涡轮增压系统智能故障诊断-模式识别与智能系统专业论文.docxVIP

摘要 摘要 万方数据 万方数据 摘 要 柴油机涡轮增压系统一直是故障多发系统，进而影响到整个柴油机工作。传统的 故障诊断方法只有在故障发生时，才能维修，已不能满足高科技发展的今天对机械故 障诊断的要求。随着人工智能的发展，人们逐渐将解决问题的思想转移到具有学习能 力强﹑分类性能好的神经网络上，并且已取得一些成功。 本文首先尝试利用有最佳逼近特性，且无局部极小问题存在的 RBF 神经网络用做 故障诊断，但是 RBF 神经网络没能力来解释自己的推理过程和推理依据。不能向用户 提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。而模糊推理 系统建立在“如果-则”的基础上，其推理过程容易被人理解，收敛速度快，训练样本少， 故将推理系统中有代表性的 T-S 模糊推理系统与 RBF 神经网络结合，但是因结合而成 的模糊神经系统产生庞大的规则，造成网络结构冗余，因而影响到网络的训练精度和 训练时间。为了减少模糊规则数目，考虑先用聚类算法完成样本的聚类，在证明聚类 产生的 T-S 模糊规则和 RBF 神经网络原理等价的基础上，构成了基于聚类的 T-SRBF 网络。在聚类算法选择上，先用减法聚类确定聚类数目，再用模糊 C 均值聚类确定网 络的中心向量。采用该聚类算法 T-SRBF 神经网络能自动生成和调整隶属函数和模糊 规则，有效的减少了模糊规则数目。 通过分析涡轮增压系统的故障，提取影响故障发生的关键因素样本，利用 RBF 神 经网络，T-SRBF 神经网络和基于聚类的 T-SRBF 神经网络，进行仿真计算比较，得出 基于聚类的 T-SRBF 分类结果最精确、训练时间最短。并用此神经网络作为专家系统 的知识库和推理机，以 java 和 matlab 编程实现涡轮增压器的故障诊断专家系统，更好 的实现了将理论成果应用于实际中去。 关键字 模糊系统；RBF 神经网络；涡轮增压系统；专家系统 I 江苏科技大学工学硕士学位论文 江苏科技大学工学硕士学位论文 II Ab Abstract Abstract Diesel Turbo System has been a failure-prone system thereby affecting the entire engine work. Only when a fault has occurred, the traditional fault diagnosis method can play a role. Obviously, this method can not satisfy peoples demands for fault diagnosis in todays high-tech development. With the development of artificial intelligence, people gradually transfer the idea of solving problem on neural networks which has a good class ification performance with learning ability. Neural network-based applications have achieved some success to a certain extent. Firstly this paper attempts to use RBF neural networks, who has the best approximation feature and no local minimum problem. But RBF neural networks can not afford to explain their reasoning basis. The networks can not ask the user to make the necessary inquiries, and when data is not sufficient, the neural network will not work. The fuzzy inference system bases on the if-then, whose reasoning works easily be understood. Therefore, the T-S fuzzy inference system and RBF neural network compose together fuzzy neural networks. However, the fuzzy system generates huge rules