一、RBF网络在柴油机故障诊断领域中的应用与实现（论文文献综述）
戴琳[1]（2020）在《基于热力学原理的智能低速机故障模拟研究》文中研究表明随着智能船舶1.0研发专项的开展,船舶动力系统中故障诊断系统的开发尤为重要。故障诊断系统可以实现设备由传统的定期维护事后维护向基于状态的智能使用与智能维护的转变,从而保障船舶设备全寿命周期高效运行,同时降低运行维护成本。故障诊断系统需要故障原因与故障现象的一一对应关系来提供支持,基于仿真技术开展故障模拟研究,可以节省成本,成为目前故障诊断系统开发的重要环节。本文基于MATLAB/Simulink仿真平台建立可以用于故障模拟的低速机稳态仿真模型,其中包括气缸工作过程、进气系统、排气系统、涡轮增压器和中冷器这五个模块,并将100%、75%、50%、25%这四个工况下仿真结果与试验数据进行了对比分析。设置了低速机活塞顶部积碳、喷油提前和滞后、空气滤清器堵塞、涡轮格栅堵塞、中冷器冷却度下降六种常见的故障,分析其输出参数随故障源的变化规律,为故障诊断提供支持。基于故障模拟所提供的故障样本集,本文用84组数据训练出可用故障诊断的RBF神经网络模型,向训练完成的神经网络中输入指定的低速机出现故障的主要性能参数,根据输出结果判断故障模拟所提供的故障样本集是否完整。最终,根据输入的指定性能参数确定了故障所在的位置,判断了故障模拟提供的故障样本集是完整的。最后,本文建立了故障模拟的低速机动态仿真模型,在低速机稳态仿真模型的基础上,增加了螺旋桨、转动平衡和调速器模型。将低速机动态过程仿真结果与实验值进行对比分析。在确保动态模型准确的基础上,模拟了活塞顶部积碳故障和喷油提前与延迟故障的动态变化规律,分析输出参数随故障源的动态变化规律,为低速机动态过程的故障诊断提供支持与帮助。
李志浩[2]（2019）在《车载远程监控系统实现与发动机故障诊断方法研究》文中研究说明现役我军二代非总线装备,没有充分利用军事互联网、大数据、云计算等先进技术,非总线装备状态感知、信息实时采集的自动化水平偏低,信息化、智能化也滞后于实现了精细化保障的带有总线的三代装备。因此实现二代装备状态信息的实时感知,能够为平台可信、可用具有重要的现实意义。针对上述问题,本文设计了能够采集装备车辆状态信息的远程监控系统,并以车辆发动机作为研究对象,以其状态的实时监测与故障的初步诊断作为重点研究内容,建立一套实用性和可靠性兼备的发动机气门故障诊断模型。首先,针对装备车辆状态的实时获取,本文设计了一套基于C/S模式的远程监控系统,系统包括车载终端、通信链路和远程监控平台三部分。对系统总体进行介绍,包括系统的组成、工作流程、所实现的功能和性能指标;车载终端采用ARM+4G+传感器架构,分别介绍了车载终端的软件设计与硬件设计;远程监控平台是采用C#语言编写的windows程序,分别介绍了监控平台的总体设计,用户界面的组成及无线通信模块的设计。其次,以某装备车辆的发动机作为研究对象,通过车载监控系统获取发动机气门振动信号完成故障的初步诊断。对振动信号使用多项式最小二乘法消除系统噪声造成的零线飘移,用小波阈值降噪降低外界噪声的干扰。通过分析故障振动信号的非平稳非线性特征,如本文选取小波频带能量积累、小波包-AR谱分析和经验模态分解等方法提取信号的多维特征。并引入PCA主成分分析,设置累积贡献率以获得降维后的最优特征向量。最后,针对提取到的振动信号得故障特征,分别建立PSO-BP神经网络诊断模型、RBF神经网路诊断模型、模糊神经网络诊断模型对气门正常工作、进气门故障和排气门故障三种工况进行初步诊断。根据D-S证据理论对三种模型的诊断结果进行决策级融合,从而得到最终的诊断结果。通过交叉验证法,得到的基于D-S证据理论的气门故障诊断模型的诊断正确率高达95.08%,说明此方案能够有效对故障做出初步诊断。
魏伟达[3]（2019）在《柴油机增压器的故障预测与健康管理》文中提出伴随着我国列车的高速发展,涡轮增压器作为列车发动机的关键部件之一,在机车的动力性、经济性和可靠性等方面发挥着重要的作用,因此对增压器的故障进行预测是非常必要的。本文重点研究了机车涡轮增压器故障预测的方法,建立了故障预测模型,设计开发了一套机车涡轮增压器故障预测系统。首先,根据文献资料和增压器的故障数据,总结涡轮增压器的常见故障,分析每类故障发生的主要原因并给出解决方案,为后续的预测系统提供技术支持。其次,提出了GA-SGNN的机车涡轮增压器故障预测方法。首先找出表征增压器工作性能的状态参数,计算多变量之间的关联度,然后建立了多变量灰色预测模型（MGM（1,n））对变量进行预测,用残差和相对误差检验了模型的精度,得出相对误差均小于5%,结果表明MGM（1,6）模型的精度符合要求。在MGM（1,6）模型基础上有机结合BP神经网络,建立串联灰色神经网络预测模型（SGNN模型）,结果表明SGNN模型预测精度比MGM（1,6）模型预测精度高。在建立的SGNN模型的基础上,引入遗传算法来改善灰色神经网络模型的局部最优和收敛性问题,建立了基于遗传算法的灰色神经网络模型（GA-SGNN）并对模型的精度进行了检验,结果表明GA-SGNN模型的相对误差均在4%以内,可以很好的保证模型的可靠性和精度。然后,提出了RBF神经网络的增压器故障诊断方法。根据机车涡轮增压器运行参数的特点和RBF神经网络在故障诊断中的优势,建立了RBF神经网络模型,然后利用模型对故障数据进行了学习,最后对GA-SGNN模型的预测值进行了故障预测,结果表明RBF神经网络可以准确的诊断出增压器的故障,故障与实际情况相符。最后,开发了机车涡轮增压器故障预测系统。将增压器常见故障原因及解决措施、GA-SGNN模型和RBF神经网络模型应用到预测系统中,利用MATLAB GUI模块完成了机车涡轮增压器故障预测系统的开发。实现了数据导入、数据预测和数据故障诊断的功能,并建立了技术库提供了增压器常见的故障原因及解决方案。
赵国良[4]（2018）在《故障诊断和健康管理—动力组和轴承模块分析》文中进行了进一步梳理动力组为机车柴油机提供动力,是保证其正常工作运行的重要部分,对于动力组故障的诊断显得尤为重要;而轴承在机车中也同样占据着重要的位置,也极易发生故障,尤其是滚动轴承的结构更复杂、故障类型更多。随着现代智能化方法的发展,故障诊断和健康管理系统（PHM）的诊断方法也更加多元,本文主要是利用故障树法和神经网络法对机车柴油机动力组和滚动轴承的故障进行诊断研究。故障树法采用图形化方法来描述故障原因,使得故障的因果关系更加直观。本文就根据故障树法的分析步骤和规则对柴油机动力组的常见故障进行分析,并据此建立相关的故障树。神经网络的特点使得它在对故障的诊断识别方面有较好的应用,本文采取应用最多的前向型网络对动力组和轴承故障进行诊断研究。以柴油机缸套磨损故障为例对BP神经网络进行网络设计,建立网络模型并对其进行训练和测试仿真,实现对故障的诊断识别;针对BP网络的缺陷提出优化改进措施,并对各改进方法进行比较,结果表明,采用LM优化算法的网络性能和诊断效果最好,可以达到诊断的要求;为避免BP网络固有的缺陷采用RBF神经网络进行故障诊断仿真,采用两种方法设计网络模型,并对其诊断结果进行比较。总的来说,RBF网络的训练速度更快、网络性能更好、诊断精度也更高。最后针对机车滚动轴承的表面损伤类故障,利用小波包分析理论对振动信号进行分析处理得到故障征兆特征,然后再采用RBF网络对其诊断仿真,结果显示这两种方法的结合对故障的识别效果非常好,可以准确地识别出轴承的各种状态。
李环宇[5]（2017）在《基于信息融合的柴油机故障诊断技术研究》文中研究说明柴油机是许多设备的动力源,广泛应用到船舶、发电、矿场等领域,在国民经济中占有很重要的地位。作为典型的动力机械,柴油机的运行状态和内部结构都比较复杂,保证柴油机安全运行并及时诊断其故障具有重大意义,柴油机在运行过程中可利用的信息较多,故单一的传感器很难实现故障诊断,因此采用多传感器的信息融合技术能够有效地实现故障诊断。本文主要完成了以下工作:1.论述了柴油机故障诊断的国内外研究现状,以及将信息融合技术应用到柴油机故障诊断中的必要性,对柴油机的结构和常见故障进行了研究,选取柴油机的振动信号和燃油压力信号作为监测信息。2.详细介绍了当前在故障诊断中应用较多的BP神经网络和RBF神经网络的基本结构、原理及学习算法,针对RBF神经网络的不足,采用了一种混沌搜索的改进粒子群算法,用该算法优化RBF神经网络的隐含层中心值、宽度和输出层权值的选取。利用MATLAB分别对这三种神经网络诊断方法进行仿真,得到改进粒子群优化的RBF神经网络具有较高的诊断精度,验证了算法的有效性。3.将神经网络诊断结果与D-S证据理论相结合,针对振动信号和燃油压力信号,进行决策级的融合诊断,提高诊断结果的可信度。针对证据合成的独立性前提和证据的相关性问题,提出了相关证据的合成方法,排除了相关信息重复使用对证据合成的影响。针对多传感器证据出现冲突的问题,提出了冲突证据的加权合成方法,将冲突的证据信息加以利用,排除了问题传感器给检测结果带来的干扰信息,使得融合结果更加可靠。4.利用MFC基础类库设计柴油机故障诊断系统,使用ADO技术将ACCESS数据库里的数据导入到系统中,设计了人机交互界面和具体功能。
冯长宝,韩忠伟,孙沫莉[6]（2016）在《遗传算法和神经网络在船舶柴油机故障诊断中的应用》文中研究表明为提高船舶柴油机故障诊断的精度,以及改善神经网络收敛速度慢,易陷入局部最优解的情况。提出一种基于改进遗传算法和RBF神经网络相结合的智能诊断方法,并将其应用于船舶柴油机故障诊断中,改进的方法优化了神经网络的隐节点、宽度参数以及中心向量,用最小二乘法训练网络隐层到输出层的权值。最后在Matlab仿真软件下,对船舶柴油机故障诊断模型进行仿真实验。实验证明,自适应遗传算法优化的RBF神经网络,诊断速度快,诊断精度高,收敛效果好,能较好地应用在船舶柴油机的状态监测和故障诊断中。
许丽君[7]（2013）在《基于神经网络的船舶柴油机故障诊断技术》文中指出几十年来，船运事业不断发展，船舶是船运的主要运输载体，柴油机作为整个船舶的动力装置，在船舶中占绝对重要的位置，其工作状态直接关系到船舶的安全航行，因此，对船舶柴油机故障诊断系统的研究尤为重要。本文通过对现有故障诊断技术的研究，提出了一种基于神经网络的智能故障诊断法，首先对BP和RBF两种网络进行了比较分析，并在MATLAB环境下进行了柴油机故障诊断仿真实验，结果表明BP神经网络在故障诊断时存在收敛速度慢、精度低、易陷入局部最小值等问题，径向基函数神经网络在逼近能力、分类能力和学习速度等方面均优于BP网络，但网络的泛化能力还有待改进，中心向量和宽度参数的选取对网络性能有较大的影响。其次本文对遗传算法以及在神经网络中的应用作了简要介绍，由于标准遗传算法容易出现早熟、稳定性不佳等问题，针对这些不足，本文提出了一种有针对性的改进方法，引入了一种根据群体个体适应度自适应改变交叉和变换概率的遗传算法来优化RBF的中心向量和宽度参数，并加入布尔向量来优化网络隐层节点数，提高网络的故障识别能力和诊断精度。接着在MATLAB环境下针对船舶柴油机燃油系统进行了故障诊断仿真实验，结果表明自适应遗传RBF网络的性能得到明显改善，运用于船舶柴油机故障诊断系统，预测故障效果较好，在诊断速度、收敛效果、诊断精度以及网络稳定性能等方面表现最佳。最后，利用LabVIEW和MATLAB混合编程技术，将LabVIEW良好的界面设计与MATLAB强大的数学运算相结合，实现了两种软件的互补，开发了一套船舶柴油机故障诊断系统，具有良好的故障诊断效果和实用价值。
许丽君,陈红卫[8]（2013）在《神经网络在船舶柴油机故障诊断中的应用研究》文中研究表明为进一步改善船舶柴油机故障诊断的精度和实时性,提出一种基于改进遗传算法和RBF神经网络相结合的智能诊断方法,该方法优化了RBF神经网络的隐节点、中心向量及宽度参数,用最小二乘法训练网络隐层到输出层的权值;并在MATLAB环境下对船舶柴油机故障诊断进行仿真实验,自适应遗传算法优化RBF网络的诊断速度快,收敛效果好,诊断精度高,验证了所提出控制策略的合理性和有效性。
由丽媛[9]（2012）在《基于信息融合的柴油机故障诊断技术研究》文中进行了进一步梳理目前,柴油机故障诊断已经成为国内外研究的焦点问题。柴油机故障诊断中,可以通过多个传感器得到不同的故障信息,为了得到较高的故障诊断的精度和可靠性,必须充分利用获得的故障信息对柴油机进行故障诊断。本文首先论述了柴油机故障诊断的国内外研究现状,以及将信息融合技术应用到柴油机故障诊断中的必要性和可行性,对柴油机振动信号进行了机理研究,为实验的顺利进行打下基础。为了能够从多方面反映柴油机的运行状态,首先采用神经网络方法对柴油机振动信号及压力信号进行特征级信息融合,研究了BP神经网络、RBF神经网络的原理及算法,并针对RBF神经网络的不足,提出了一种采用递阶遗传编码方案的混合递阶遗传算法,用该算法优化RBF神经网络的隐含层结构、隐含层中心值、基宽和输出的线性权值。分别采用这三种方法进行故障诊断,并在Matlab下进行仿真,将诊断结果进行比较,验证了遗传算法优化的RBF神经网络具有训练速度快、精度高的优越性。另外,为了综合利用多个传感器获得的诊断信息,将遗传算法优化的RBF神经网络和D-S证据理论相结合,针对振动信号和压力信号,将特征级融合结果构建mass函数,进行决策级融合的柴油机故障诊断,削弱了诊断结果的不确定度,诊断结果更加精确。由于D-S证据理论进行信息融合时,只是简单地对证据进行组合,本文采用加权证据合成法。当进行多个证据融合时,证据间的冲突程度用证据距离和冲突因子综合起来表示,之后通过得到的证据间的冲突程度的值确定权重系数,并修正证据基本信任分配函数。然后用D-S规则进行合成,故障诊断实验表明了此方法对冲突证据融合的有效性,充分验证了该方法能够有效提高故障诊断的准确性和可靠性。
吴伟[10]（2012）在《基于改进RBF神经网络的故障诊断技术研究》文中提出随着科技进步和现代化大生产的不断深化，机械设备正朝着复杂化、精密化、集成化、信息化和自动化等方向发展，被广泛应用于航空航天、核反应堆、热电厂、化工等一系列工程技术领域。但是这些机械设备的结构复杂、零部件之间联系紧密，故障类型众多，同时工作环境恶劣、数据采集困难，故障响应缓慢，故障诊断准确率低，这些原因使得对于机械设备的故障诊断成为目前研究的热点。本文把粗糙集（Rough Sets，简称RS）理论和神经网络技术引入到机械设备故障诊断中来，提出了一种基于粗糙集和改进量子行为粒子群优化（ImprovedQuantum-behaved Particle Swarm Optimization，简称IQPSO）算法优化RBF网络的故障诊断方法。本文首先对故障诊断技术的研究内容及研究意义进行了阐述，介绍了故障诊断主要的方法，指出了故障诊断技术的发展趋势，并探讨了粗糙集和神经网络结合的可行性。其次，针对故障样本之间相关性和冗余性较高的问题，把粗糙集引入到故障数据的预处理中去，利用改进的HORAFA-A约简算法去除冗余属性。算法首先把决策表中的核加入到初始的约简集中，不断选择加权频率最大的属性加入到候选约简集中，同时删除包含当前约简属性的元素，直至矩阵为空为止。当多个属性都具有最大的加权频率时，把辨识能力最强的属性加入候选约简集中，然后仅对非核属性进行反向消除。实验仿真表明改进后的算法保证了约简是最优约简。再次，针对QPSO算法存在早熟的趋势，本文提出了一种改进的QPSO算法，算法中粒子不仅仅考虑自身的位置，同时还向周围的粒子学习，解决了QPSO算法中由于粒子缺乏多样性，陷入早熟的趋势，通过对三个基准函数的测试表明改进的QPSO算法收敛速度和全局搜索能力优于PSO和QPSO算法。然后把IQPSO算法引入到优化RBF网络参数中去，给出了IQPSO算法中粒子编码规则和优化RBF网络的详细步骤。最后，利用IQPSO算法的全局搜索能力，优化了RBF网络中宽度向量、中心矢量以及网络的权值，从而建立了结构稳定、收敛速度快的故障诊断模型。柴油机气门机构的故障诊断实例结果表明该模型与其他模型相比，具有收敛速度快、预测误差率低、预测准确等优点。
二、RBF网络在柴油机故障诊断领域中的应用与实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、RBF网络在柴油机故障诊断领域中的应用与实现（论文提纲范文）
（1）基于热力学原理的智能低速机故障模拟研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 故障模拟与故障诊断研究现状 |
| 1.2.1 故障模拟原理及研究现状 |
| 1.2.2 故障诊断原理及研究现状 |
| 1.3 本文主要工作 |
| 第2章 智能船用低速机故障模拟稳态仿真模型 |
| 2.1 智能船用低速机稳态仿真模型 |
| 2.1.1 低速机缸内工作过程模型 |
| 2.1.2 涡轮增压系统的模型 |
| 2.1.3 中冷器模型 |
| 2.2 智能船用低速机稳态仿真模型的验证 |
| 2.2.1 基本参数的输入 |
| 2.2.2 缸内工作过程仿真结果验证 |
| 2.2.3 涡轮增压系统仿真结果验证 |
| 2.2.4 进、排气系统仿真结果验证 |
| 2.2.5 中冷器仿真结果验证 |
| 2.3 燃烧室中典型故障的设置及其仿真模型 |
| 2.3.1 活塞顶部积碳 |
| 2.3.2 喷油提前与滞后 |
| 2.4 涡轮增压系统中典型故障的设置及其仿真模型 |
| 2.4.1 空气滤清器堵塞 |
| 2.4.2 涡轮格栅堵塞 |
| 2.5 中冷器典型故障的设置及其仿真模型 |
| 2.6 本章小结 |
| 第3章 智能船用低速机稳态故障模拟仿真分析与验证 |
| 3.1 故障系数的设定 |
| 3.2 指定性能参数的选取 |
| 3.3 故障模拟结果 |
| 3.3.1 活塞顶部积碳 |
| 3.3.2 喷油提前 |
| 3.3.3 喷油滞后 |
| 3.3.4 空气滤清器堵塞 |
| 3.3.5 涡轮格栅堵塞 |
| 3.3.6 中冷器冷却度下降 |
| 3.4 故障诊断 |
| 3.4.1 RBF神经网络的搭建 |
| 3.4.2 故障诊断结果 |
| 3.5 本章小结 |
| 第4章 智能船用低速机动态故障模拟仿真分析 |
| 4.1 智能船用低速机故障模拟动态仿真模型 |
| 4.1.1 螺旋桨模型的搭建 |
| 4.1.2 转动平衡的搭建 |
| 4.1.3 调速器模型的搭建 |
| 4.2 低速机故障模拟动态仿真模型的验证 |
| 4.2.1 100%、75%、50%、25%工况点的仿真结果调试与验证 |
| 4.2.2 37.5%、62.5%、85%工况点的仿真结果调试与验证 |
| 4.3 动态故障模拟结果与分析 |
| 4.3.1 活塞顶部积碳故障 |
| 4.3.2 喷油提前与滞后故障 |
| 4.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（2）车载远程监控系统实现与发动机故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究工作和内容安排 |
| 第2章 远程车载监控系统总体设计 |
| 2.1 系统总体设计 |
| 2.1.1 系统组成 |
| 2.1.2 系统工作流程及实现的功能 |
| 2.2 车载终端设计 |
| 2.2.1 车载终端硬件设计 |
| 2.2.2 车载终端软件设计 |
| 2.3 服务器端监控平台设计 |
| 2.3.1 监控平台总体设计 |
| 2.3.2 用户界面 |
| 2.3.3 无线通信模块设计 |
| 2.4 本章小结 |
| 第3章 备车辆振动信号特征提取技术 |
| 3.1 装备车辆振动信号的获取 |
| 3.2 振动信号预处理 |
| 3.2.1 最小二乘法去趋势项 |
| 3.2.2 小波降噪 |
| 3.3 特征向量提取 |
| 3.3.1 小波频带能量积累 |
| 3.3.2 小波包-AR谱分析 |
| 3.3.3 EMD-SVD变换 |
| 3.4 特征评价 |
| 3.5 本章小结 |
| 第4章 气门振动信号模式识别技术 |
| 4.1 BP神经网络算法诊断模型 |
| 4.1.1 BP网络模型与算法描述 |
| 4.1.2 PSO优化网络参数 |
| 4.1.3 基于PSO-BP网络的气门故障诊断模型 |
| 4.2 RBF神经网络算法诊断模型 |
| 4.2.1 RBF网络模型与算法描述 |
| 4.2.2 基于RBF网络的气门故障诊断模型 |
| 4.3 模糊神经网络算法诊断模型 |
| 4.3.1 模糊网络模型与算法描述 |
| 4.3.2 基于模糊神经网络的气门故障诊断模型 |
| 4.4 本章小结 |
| 第5章 基于D-S证据理论的决策级融合研究 |
| 5.1 D-S证据理论信息融合模型 |
| 5.1.1 理论模型与算法描述 |
| 5.1.2 基于D-S证据理论的气门故障信息融合模型 |
| 5.2 实验验证 |
| 5.2.1 远程监控系统的有效性验证 |
| 5.2.2 故障诊断模型的有效性验证 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）柴油机增压器的故障预测与健康管理（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 故障预测技术的发展现状 |
| 1.2.1 国外故障预测的发展现状 |
| 1.2.2 国内故障预测的发展现状 |
| 1.3 本文的研究内容与结构安排 |
| 1.3.1 研究的主要问题及技术路线 |
| 1.3.2 整文结构安排 |
| 1.4 本章小结 |
| 2 机车增压器的故障 |
| 2.1 机车增压器常见的故障 |
| 2.1.1 噪声和震动异常 |
| 2.1.2 喘振 |
| 2.1.3 漏油 |
| 2.1.4 温度过高 |
| 2.1.5 增压压力过大 |
| 2.1.6 增压压力不足 |
| 2.2 解决方案 |
| 2.3 本章小结 |
| 3 机车增压器故障预测方法研究 |
| 3.1 多变量灰色预测模型 |
| 3.1.1 灰色关联度矩阵 |
| 3.1.2 MGM(1,n)模型 |
| 3.1.3 MGM(1,n)模型应用 |
| 3.2 灰色神经网络模型 |
| 3.2.1 人工神经网络 |
| 3.2.2 BP神经网络简介 |
| 3.2.3 灰色神经网络模型简介 |
| 3.2.4 灰色神经网络模型应用 |
| 3.3 基于遗传算法的灰色神经网络模型 |
| 3.3.1 遗传算法简介 |
| 3.3.2 遗传算法基本原理 |
| 3.3.3 遗传-灰色神经网络模型应用 |
| 3.4 本章小结 |
| 4 机车增压器故障诊断方法研究 |
| 4.1 RBF神经网络模型 |
| 4.1.1 RBF神经网络拓扑结构 |
| 4.1.2 RBF神经网络的学习算法 |
| 4.2 RBF神经网络模型应用实例 |
| 4.3 本章小结 |
| 5 机车增压器故障预测系统的设计和开发 |
| 5.1 MATLAB GUI设计 |
| 5.2 软件运行界面 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（4）故障诊断和健康管理—动力组和轴承模块分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 柴油机故障诊断的研究现状和发展趋势 |
| 1.2.1 柴油机故障诊断的国内外研究现状 |
| 1.2.2 柴油机故障诊断的发展趋势 |
| 1.3 本文的研究内容及结构 |
| 2 神经网络及模型简介 |
| 2.1 神经网络简介 |
| 2.1.1 神经网络基本结构 |
| 2.1.2 神经网络模型分类 |
| 2.1.3 神经网络的特点 |
| 2.2 BP神经网络 |
| 2.2.1 BP神经网络结构 |
| 2.2.2 BP神经网络学习训练算法 |
| 2.2.3 BP网络学习算法的改进 |
| 2.3 RBF神经网络 |
| 2.3.1 RBF神经网络的结构 |
| 2.3.2 RBF神经网络的学习训练 |
| 2.4 BP神经网络和RBF神经网络的比较 |
| 2.4.1 BP神经网络的优缺点 |
| 2.4.2 RBF神经网络的优缺点 |
| 3 机车柴油机动力组的故障树分析 |
| 3.1 故障树法的特点 |
| 3.2 故障树法常用的基本符号 |
| 3.3 故障树分析的步骤 |
| 3.3.1 故障树的建立 |
| 3.3.2 故障树的定性分析 |
| 3.3.3 故障树的定量分析 |
| 3.4 柴油机动力组的故障树 |
| 4 基于神经网络对柴油机动力组的故障诊断 |
| 4.1 神经网络在柴油机故障诊断中的应用 |
| 4.2 BP网络对柴油机缸套磨损的故障诊断 |
| 4.2.1 BP神经网络模型的建立 |
| 4.2.2 标准BP神经网络的学习训练 |
| 4.2.3 改进BP网络的学习训练 |
| 4.2.4 LM算法改进BP网络的训练及测试结果 |
| 4.3 RBF网络对柴油机缸套磨损的故障诊断 |
| 4.3.1 RBF网络模型的设计 |
| 4.3.2 RBF网络的训练和测试 |
| 5 基于神经网络对机车滚动轴承的故障诊断 |
| 5.1 滚动轴承常见故障 |
| 5.2 滚动轴承的故障特征频率 |
| 5.3 小波包分析理论 |
| 5.3.1 小波分析 |
| 5.3.2 小波包分析 |
| 5.4 RBF网络对机车轴承的故障诊断 |
| 5.4.1 轴承故障特征量的提取 |
| 5.4.2 RBF网络的创建 |
| 5.4.3 RBF网络的测试仿真 |
| 结论 |
| 参考文献 |
| 致谢 |
（5）基于信息融合的柴油机故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 柴油机故障诊断技术 |
| 1.2.1 国内外研究现状 |
| 1.2.2 典型方法 |
| 1.3 基于信息融合的故障诊断技术 |
| 1.3.1 信息融合技术概述 |
| 1.3.2 信息融合技术应用于柴油机故障诊断领域的意义 |
| 1.3.3 信息融合的一般框架 |
| 1.3.4 国内外研究现状 |
| 1.4 论文的主要研究内容 |
| 第2章 柴油机的主要故障及监测信息 |
| 2.1 引言 |
| 2.2 柴油机的主要结构系统及故障 |
| 2.3 柴油机的典型监测信息 |
| 2.3.1 振动信号 |
| 2.3.2 燃油压力信号 |
| 2.3.3 监测信息对柴油机性能的影响 |
| 2.4 柴油机故障诊断中的不确定性 |
| 2.5 本章小结 |
| 第3章 基于粒子群优化RBF神经网络的故障诊断技术 |
| 3.1 引言 |
| 3.2 BP神经网络 |
| 3.2.1 神经网络概述 |
| 3.2.2 BP神经网络的结构 |
| 3.2.3 BP神经网络训练算法 |
| 3.3 RBF神经网络 |
| 3.3.1 RBF神经网络的结构 |
| 3.3.2 RBF神经网络训练算法 |
| 3.4 改进PSO优化的RBF神经网络 |
| 3.4.1 基本PSO算法 |
| 3.4.2 PSO算法的改进 |
| 3.4.3 MPSO算法优化RBF神经网络 |
| 3.5 基于改进粒子群优化RBF神经网络的柴油机故障诊断 |
| 3.5.1 传感器信号的特征提取 |
| 3.5.2 神经网络的训练 |
| 3.5.3 神经网络测试 |
| 3.5.4 测试结果的分析与比较 |
| 3.6 本章小结 |
| 第4章 基于相关、冲突证据合成方法的故障诊断 |
| 4.1 引言 |
| 4.2 证据理论的基本原理 |
| 4.2.1 基本概念 |
| 4.2.2 证据理论的合成规则 |
| 4.3 基于D-S证据理论的柴油机故障诊断 |
| 4.4 相关证据的合成 |
| 4.5 冲突证据的加权分配合成 |
| 4.5.1 证据冲突的判断 |
| 4.5.2 证据冲突的合成 |
| 4.6 本章小结 |
| 第5章 柴油机故障诊断系统的设计与实现 |
| 5.1 引言 |
| 5.2 柴油机故障诊断系统的设计 |
| 5.2.1 MFC框架技术 |
| 5.2.2 ADO技术及实现 |
| 5.2.3 系统结构和功能设计 |
| 5.3 柴油机故障诊断系统的实现 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作成果及结论 |
| 6.2 后续工作展望 |
| 参考文献 |
| 致谢 |
（6）遗传算法和神经网络在船舶柴油机故障诊断中的应用（论文提纲范文）
| 0 引言 |
| 1 RBF神经网络模型 |
| 2 遗传优化算法设计 |
| 2. 1 优化的RBF神经网络 |
| 2. 2 自适应遗传算法的设计 |
| 3 仿真实验 |
| 3. 1 网络的输入输出结构 |
| 3. 2 遗传算法RBF网络实例 |
| 4 结语 |
（7）基于神经网络的船舶柴油机故障诊断技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 船舶柴油机故障诊断技术的研究现状 |
| 1.2.1 热力参数监测法 |
| 1.2.2 振动信号检测分析法 |
| 1.2.3 曲轴瞬时转速监测法 |
| 1.2.4 应用光谱、铁谱技术的油液分析检测法 |
| 1.2.5 基于灰色系统理论诊断法 |
| 1.2.6 基于人工神经网络诊断法 |
| 1.3 船舶柴油机故障诊断技术存在的主要问题 |
| 1.4 船舶柴油机故障诊断技术的发展趋势 |
| 1.5 主要研究内容与文章结构 |
| 1.5.1 主要研究内容 |
| 1.5.2 文章结构 |
| 第2章 神经网络基本理论 |
| 2.1 人工神经网络 |
| 2.1.1 人工神经元模型 |
| 2.1.2 神经网络的学习机理及特点 |
| 2.2 BP 神经网络 |
| 2.2.1 BP 神经网络模型 |
| 2.2.2 BP 神经网络结构和学习算法 |
| 2.3 径向基函数神经网络 |
| 2.3.1 RBF 神经网络模型 |
| 2.3.2 RBF 神经网络结构和学习算法 |
| 2.4 BP 网络和 RBF 网络的优缺点 |
| 2.5 本章小结 |
| 第3章 遗传优化 RBF 神经网络 |
| 3.1 遗传算法基本原理 |
| 3.2 遗传算法步骤 |
| 3.2.1 编码方式 |
| 3.2.2 群体规模和适应度函数 |
| 3.2.3 遗传操作 |
| 3.3 遗传算法的不足 |
| 3.4 自适应遗传算法 |
| 3.4.1 自适应遗传算法概况 |
| 3.4.2 交叉概率和变异概率的确定 |
| 3.5 遗传神经网络 |
| 3.5.1 遗传算法优化神经网络的必要性 |
| 3.5.2 遗传算法优化神经网络的实现步骤 |
| 3.5.3 自适应遗传算法优化神经网络的具体实现 |
| 3.5.4 自适应遗传神经网络的优点 |
| 3.6 本章小结 |
| 第4章 船舶柴油机故障特征值的选取 |
| 4.1 船舶柴油机结构及故障分类 |
| 4.2 船舶柴油机燃油系统 |
| 4.2.1 燃油系统的工作原理 |
| 4.2.2 燃油系统高压油管压力波 |
| 4.2.3 柴油机燃油系统的几种常见的故障 |
| 4.2.4 诊断特征参数识别 |
| 4.3 本章小结 |
| 第5章 船舶柴油机燃油系统故障诊断 |
| 5.1 基于 RBF 神经网络的柴油机燃油系统的故障诊断 |
| 5.1.1 输入输出向量及数据样本集的确定 |
| 5.1.2 网络结构的确定 |
| 5.1.3 网络的训练与测试 |
| 5.1.4 故障诊断网络仿真实验比较 |
| 5.1.5 加入扰动后故障诊断网络性能比较 |
| 5.2 基于 BP 网络的船舶柴油机故障诊断 |
| 5.3 本章小结 |
| 第6章 船舶柴油机故障诊断系统软件的开发 |
| 6.1 虚拟仪器与 LabVIEW |
| 6.2 虚拟仪器技术在柴油机故障诊断中的应用 |
| 6.3 故障诊断系统中接口技术 |
| 6.3.1 调用 MATLAB Script 节点 |
| 6.3.2 调用 ActiveX 函数模板 |
| 6.4 船舶柴油机故障诊断系统设计 |
| 6.4.1 密码登录系统 |
| 6.4.2 系统初始化 |
| 6.4.3 故障诊断主界面 |
| 6.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（8）神经网络在船舶柴油机故障诊断中的应用研究（论文提纲范文）
| 0 引言 |
| 1 RBF神经网络模型 |
| 2 遗传优化算法设计 |
| 2.1 遗传算法优化RBF网络的具体实现 |
| 2.2 自适应遗传算法的设计 |
| 3 仿真实验 |
| 3.1 网络的输入输出结构 |
| 3.2 遗传优化RBF网络实例设计 |
| (1) 参数初始化: |
| (2) 编码并生成初始种群: |
| (3) 计算最优解: |
| 4 结论 |
（9）基于信息融合的柴油机故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 柴油机故障诊断技术 |
| 1.2.1 国内外研究现状 |
| 1.2.2 典型方法 |
| 1.3 基于信息融合的故障诊断技术 |
| 1.3.1 信息融合技术概述 |
| 1.3.2 信息融合技术应用于柴油机故障诊断领域的意义 |
| 1.3.3 信息融合故障诊断的一般框架 |
| 1.3.4 国内外研究现状 |
| 1.4 论文的主要研究内容 |
| 第2章 柴油机故障诊断机理 |
| 2.1 柴油机典型故障模式及故障特征 |
| 2.1.1 柴油机典型的故障模式 |
| 2.1.2 柴油机的故障特点 |
| 2.2 柴油机动力性能分析 |
| 2.2.1 柴油机缸盖表面振动信号机理研究 |
| 2.2.2 柴油机故障诊断中的不确定性 |
| 2.3 本章小结 |
| 第3章 基于遗传算法优化的RBF神经网络的故障诊断技术 |
| 3.1 BP神经网络 |
| 3.1.1 神经网络概述 |
| 3.1.2 BP神经网络的结构 |
| 3.2 径向基函数神经网络 |
| 3.2.1 RBF神经网络的结构 |
| 3.2.2 RBF网络训练的准则和常用算法 |
| 3.3 遗传算法优化RBF神经网络 |
| 3.3.1 遗传算法的基本原理 |
| 3.3.2 遗传算法优化RBF神经网络 |
| 3.4 基于遗传算法优化的RBF神经网络的柴油机故障诊断 |
| 3.4.1 传感器信号的特征提取 |
| 3.4.2 BP神经网络改进的设计 |
| 3.4.3 系统测试 |
| 3.4.4 结果分析 |
| 3.5 本章小结 |
| 第4章 基于加权D-S证据理论的故障诊断技术 |
| 4.1 经典D-S证据理论 |
| 4.1.1 D-S证据理论的基本概念 |
| 4.1.2 D-S证据理论合成法则 |
| 4.1.3 应用D-S证据理论进行决策的基本过程 |
| 4.2 加权D-S理论在故障诊断中的应用 |
| 4.2.1 D-S证据理论存在的缺陷 |
| 4.2.2 证据冲突的确定 |
| 4.2.3 加权证据理论 |
| 4.2.4 算例分析 |
| 4.3 柴油机故障诊断决策级融合 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（10）基于改进RBF神经网络的故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 故障诊断技术的研究内容及研究意义 |
| 1.1.1 故障诊断技术 |
| 1.1.2 故障诊断技术的研究内容 |
| 1.1.3 故障诊断技术的研究意义 |
| 1.2 故障诊断技术研究现状及发展趋势 |
| 1.2.1 故障诊断技术研究现状 |
| 1.2.2 故障诊断主要的方法 |
| 1.3 故障诊断技术的发展趋势 |
| 1.4 论文的研究内容及结构安排 |
| 2 故障数据在粗糙集下的属性约简 |
| 2.1 引言 |
| 2.2 粗糙集基本理论 |
| 2.3 改进的 HORAFA-A 属性约简算法 |
| 2.3.1 HORAFA-A 属性约简算法 |
| 2.3.2 改进的 HORAFA-A 属性约简算法实现 |
| 2.4 本章小结 |
| 3 改进量子粒子群优化 RBF 神经网络 |
| 3.1 引言 |
| 3.2 RBF 神经网络 |
| 3.2.1 RBF 神经网络原理分析 |
| 3.2.2 RBF 网络学习算法 |
| 3.2.3 RBF 网络与 BP 网络的比较 |
| 3.3 PSO 算法基本原理 |
| 3.4 量子行为粒子群优化算法 |
| 3.4.1 量子行为粒子群优化算法模型 |
| 3.4.2 QPSO 算法和 PSO 算法比较 |
| 3.5 改进的 QPSO 算法 |
| 3.5.1 改进的 QPSO 算法实现 |
| 3.5.2 IQPSO 算法性能分析 |
| 3.6 IQPSO 优化 RBF 网络参数实现 |
| 3.7 本章小结 |
| 4 粗糙集和 IQPSO 优化 RBF 网络在柴油机故障诊断中的应用 |
| 4.1 引言 |
| 4.2 RS 理论和神经网络在故障诊断中结合的必要性 |
| 4.3 基于粗糙集和 IQPSO-RBF 网络的故障诊断步骤 |
| 4.4 基于 IQPSO-RBF 柴油机气门机构故障诊断及分析 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读学位期间发表的论文目录 |
| B. 作者在攻读学位期间取得的科研成果目录 |
四、RBF网络在柴油机故障诊断领域中的应用与实现（论文参考文献）
- [1]基于热力学原理的智能低速机故障模拟研究[D]. 戴琳. 哈尔滨工程大学, 2020(05)
- [2]车载远程监控系统实现与发动机故障诊断方法研究[D]. 李志浩. 哈尔滨工业大学, 2019(02)
- [3]柴油机增压器的故障预测与健康管理[D]. 魏伟达. 大连理工大学, 2019(03)
- [4]故障诊断和健康管理—动力组和轴承模块分析[D]. 赵国良. 大连理工大学, 2018(02)
- [5]基于信息融合的柴油机故障诊断技术研究[D]. 李环宇. 大连海事大学, 2017(01)
- [6]遗传算法和神经网络在船舶柴油机故障诊断中的应用[J]. 冯长宝,韩忠伟,孙沫莉. 舰船科学技术, 2016(06)
- [7]基于神经网络的船舶柴油机故障诊断技术[D]. 许丽君. 江苏科技大学, 2013(07)
- [8]神经网络在船舶柴油机故障诊断中的应用研究[J]. 许丽君,陈红卫. 计算机测量与控制, 2013(06)
- [9]基于信息融合的柴油机故障诊断技术研究[D]. 由丽媛. 大连海事大学, 2012(09)
- [10]基于改进RBF神经网络的故障诊断技术研究[D]. 吴伟. 重庆大学, 2012(03)