发动机机械故障诊断系统分类器设计

【摘要】：发动机机械系统出现故障后,通常会产生非正常的振动,所以可以考虑利用振动传感器直接采集发动机振动信号,并通过计算机对信号进行适当的谱分析和分类的方法,实现用仪器取代人完成发动机机械系统的故障诊断任务。本论文即为以开发一套可用于对发动机机械系统故障进行在线检测、识别和诊断的仪器系统中的分类器为目标而开展的研究工作。 论文工作,首先讨论了发动机故障诊断推理策略问题。通过对发动机故障诊断推理规则和生产实践对推理规则的约束限制因素的全面分析、推理机建模任务的数学抽象和分析,以及对五种典型推理模型的分析和讨论,确定了基于神经网络模型构建分类器的技术路线,以及将诊断过程分解为故障判别推理和故障定位推理的具体实施方案。 按照上述技术路线,论文工作讨论了故障判别分类器建模问题。该分类器是一个基于线性分类器模型的两类分类器,其功能是根据样本的特征参数,对被测样本有无故障进行快速判别。为回避感知器准则只能解决线性可分问题、且对样本的噪声非常敏感、泛化精度很低的局限性,判别分类器采用了均方误差作为引导迭代过程的代价函数,并建立了基于LMS迭代算法的故障判别分类器模型。在此基础上,分别建立了顺序、批量等两种有教师学习训练算法。由此构成的判别分类器模型,在非线性可分情况下,可以收敛于最小均方误差的满意解,有效地解决发动机故障诊断推理任务中的故障有无判别问题。 其后,论文工作讨论了故障定位分类器建模问题。该分类器是一个基于三层BP神经网络拓扑结构的多类分类器,其功能是根据样本的特征参数,对被测样本故障模式进行快速定位。针对发动机故障诊断问题域,专门讨论了隐含层神经元设计、输出层神经元设计、学习函数设计、期望误差设计等与网络拓扑结构建模相关的问题,同时还讨论了特征归一化、顺序和批量训练等与有教师学习训练算法设计的问题。在此基础上,最后建立了可用于对发动机故障进行在线实时诊断的故障定位分类器模型。 基于故障判别和故障定位分类器,论文工作建立了一个统一的发动机故障诊断推理模型。该模型能够基于近似领域理论(不完备的先验知识)和少量的训练样例(部分覆盖)实现学习训练,建立初始一般假设；同时支持在后期学习过程中推理出与数据(新/旧)和领域知识一致的新一般假设,在机器层面上对推理模型进行自动调整。 在上述工作基础上,开发了相关算法的C语言应用程序。单元和联合测试结果表明,算法及应用程序满足设计要求。