原文传递
基于流形学习的汽车燃汽发动机故障识别方法研究
| 论文题名： | 基于流形学习的汽车燃汽发动机故障识别方法研究 |
| 关键词： | 高斯滤波;密度选择;流形学习;汽车燃汽发动机;故障识别 |
| 摘要： | 在车辆保有量如此高的今天，设备故障诊断是一项极其重要的部分，特别对于车辆的发动机故障识别问题就显得尤为突出。设备故障诊断一般流程如下：1、信号的探测过程，该过程利用一些传感器检测装置判断设备所产生的化学物质性质；2、物理化学到电信号的转换，该过程由一些硬件设备和电路装置完成；3、将电信号录入计算机系统；4、计算机信号的预处理，该过程包括对信号的去噪和除干扰过程，采用线性或非线性分析，将采集的信号中去除与设备运行状态无关的数据，最后求出最能体现机械系统运行状态的特征量。目前国内外研究利用流形学习算法能有效提高嵌入于高维非线性数据中的流形特征，在设备故障诊断领域中引入流形学习，并将其应用于故障模式的识别问题。 传统的流形学习算法由于计算量、识别效率的限制，无法直接运用在故障识别领域，为此本文采用基于改进的流形学习算法进行故障识别。首先，针对机械信号噪声，采用将电子信号转换为图像信号，对其进行高斯滤波处理，去除噪声、平滑图像后，再将图像信号转化成电子信号。其次，针对流形算法中近邻点个数的选择上，近邻点个数 K一般要求大于流形的维数，通过构建高维的稳态，以提高算法的稳健性（robust），但K过大会导致局部几何特性由于陷入局部最优不能正确表示，而K太小又会使流形不连续，无法表示完整的信息，使得故障诊断错误显著增加。为此本文采用基于密度选择 K均值算法对数据进行聚类，获得到密度近邻簇，以保证近邻点个数的选择合理性。在获取到近邻簇后，利用密度信息，采用基于密度的离群点检测将簇分割为光滑点集合和离群点集合。之后，结合光滑点集合中，采用基于流形算法对数据进行降维提取特征。最后，将提取的特征利用SVM算法进行模式识别。 在系统实现上，本文采用将Matlab代码封装为Jar包，利用Java语言编写出一个测试应用Demo，并运用在实验中。通过该Demo程序，可以提取机械故障信号数据内在的流形特征，保留信号中包含的整体几何结构信息，解决局部线性结构的不足，改善了故障模式识别的分类能力。通过发动机相关的模拟实验：发动机转子震动、发动机气液、发动机压缩机应用实例及八类发动机故障信号工程实例实验，结果表明了所提方法的可行性和有效性。同时，经过实验分析比较，采用基于界标点的L-ISOMAP的SVM优化的非线性流形学习算法最适于进行汽车发动机机械故障识别。 |
| 作者： | 吴梅燕 |
| 专业： | 计算机技术 |
| 导师： | 王靖 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华侨大学 |
| 学位年度： | 2014 |
| 正文语种： | 中文 |
检索历史
应用推荐
