基于小波神经网络的汽车发动机故障诊断研究

《基于小波神经网络的汽车发动机故障诊断研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、沈阳工业大学硕士学位论文基于小波神经网络的汽车发动机故障诊断研究AStudyonAutomobileEngineFaultDiagnosisBasedonWaveletNeuralNetwork作者：________________________田兆亮单位：机械工程学院指导教师：陈长征教授单位：沈阳工业大学协助指导教师：单位：单位：论文答辩日期：2015年3月1日学位授予单位：沈阳工业大学摘要发动机作为汽车的核心部件，提高发动机运行的安全性和可靠性，并及时有效发现故障并且排除故障，能够降低机械的维修成本，避免汽车重大事故的发生，所

2、以研究汽车发动机故障诊断系统拥有特别大的价值。发动机的机构是非常复杂的，所以对汽车发动机进行工作状态监测与故障诊断是极其困难的。本文在此背景下，给出了一种利用发动机振动信号，把小波包分析与神经网络理论相结合的故障诊断研究方法。小波包分析是能够将频率分辨到任何细节的多分辨率分析方法，它在非平稳信号的处理中非常的适用。它不仅可以解决低频信号，而且对高频信号是一样的。神经网络是一种庞大的并行处理系统，正因为它的自组织与自适应性，自学习能力和良好的非线性动态处理能力，所以在解决复杂的非线性问题中得到广泛的应用。所以把小波包分析与神经网络结合

3、起来可以有效进行发动机的故障诊断。本文在分析了发动机故障诊断在国内和国外的研究现状的基础上，也对发动机的基本构造和工作原理进行分析，列举了发动机存在的一些主要故障及其故障原因，并分析发动机的故障特征和振动信号特征，为下面的发动机故障诊断研究提供了理论基础。进气和排气系统是发动机的重要组成部分，其主要功能是吸入工作所需要的含氧空气和排出发动机的燃烧所产生的废气，所以发动机进气系统和排气系统出现故障将会对汽车发动机的运行和工作状态产生非常大的影响。本文所提出的发动机故障诊断方法是：分别采集发动机在正常工作状态、进气管堵塞和排气管堵塞三种

4、状态下的振动信号，使用小波包阈值降噪方法来对实验收集到的振动信号实施阈值降噪处理；对收集到的发动机缸盖上的振动信号分别在时域与频域上进行分析；使用小波包分析原理提取振动信号的特征向量，把提取的样本集输入给BP神经网络进行训练与测试诊断，诊断结果达到了预期效果。仿真试验的结果很好的验证了本文所提出的方法的合理性，说明了把小波包分析与神经网络相结合的故障诊断方法可以正确诊断汽车发动机的故障，为发动机状态监测与故障诊断提供了新的技术方法，该方法在故障诊断中的会得到非常广泛的应用。关键词：汽车发动机；小波包分析；神经网络；故障诊断IAbst

5、ractEngineisthecorepartsoftheautomobile,improvingsafetyandreliabilityofengineoperation,andfindingoutfailuresandtroubleshootingtimelyandeffectively,canreducemaintenancecostsofmachinery,avoidtheoccurrenceofmajoraccidents.Ithasveryimportantsignificanceontheresearchofintel

6、ligentfaultdiagnosissystemofautomobileengine.Theengineisatypicalreciprocatingmachinery,itscomplicatedstructuredeterminestheconditionmonitoringandfaultdiagnosisofitisverydifficult.Inthiscontext,thispapergivesafaultdiagnosticmethodbasedonenginevibrationsignalbyusingwavel

7、etpacketandneuralnetwork.Waveletpacketiscapableofdistinguishingeachwavefrequencytothedesiredlevelofdetail,itisverysuitablefornon-stationarysignalprocessing.Itcannotonlyresolvelow-frequencysignals,butitcanalsodothesametothehigh-frequencysignals.Artificialneuralnetworkis

8、asystemoflargescaledistributingparallelprocessing,ithasthefeaturesofself-organization,self-learning,self-adaptingandn