详情

原文传递基于神经网络的船舶柴油机故障诊断技术

论文题名：	基于神经网络的船舶柴油机故障诊断技术
关键词：	船舶柴油机;故障诊断;RBF神经网络;自适应遗传算法;界面设计
摘要：	近几年,机械设备故障诊断技术已经成为国内外学者研究的热门课题之一。船舶柴油机作为复杂机械系统的典型代表,其故障呈现多样性和复杂性的特点,同时柴油机是整个船舶的动力装置,在船舶中占绝对重要的位置,其工作状况直接关系到船舶的安全航行,且运行环境恶劣,一旦发生故障,如不准确实时地解决则会导致严重后果,轻则设备损坏,重则环境污染甚至人员伤亡。因此,对船舶柴油机故障诊断技术的研究尤为重要。　　人工神经网络的出现给故障诊断技术带来了新的发展前景,具有良好的自适应、自组织、高度并行处理、记忆联想和非线性映射等能力,被广泛应用于故障诊断领域。国内对这方面的研究起步较晚,在众多神经网络模型中,目前国内诊断系统中应用最多的是BP网络。然而BP神经网络存在收敛速度慢、精度低、易陷入局部最小值等问题,尤其是在复杂系统中,具有大量特征信息的情况下,通常无法满足收敛速度快和诊断精度高的要求,使其在故障诊断领域中的应用受到了制约。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,在模式识别、函数逼近、信号处理和故障诊断等领域被广泛应用,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。　　本文在深入分析遗传算法和RBF神经网络等理论的基础上,采用自适应遗传算法作为RBF网络的学习算法,使其具有很强的网络泛化能力和非线性系统辨识能力。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,实际应用表明,该系统具有良好的故障诊断效果和实用价值。　　本文主要研究内容为: 　　1)通过对BP神经网络和RBF神经网络两种网络的模型和学习算法的研究,详细描述了两种网络的设计过程,即网络结构、参数选取以及训练方式等。由于BP算法的搜索算法采用的是梯度下降法,则存在不可避免的网络收敛速度慢和极易陷入局部极小值等问题,RBF神经网络是一种局部逼近网络,其收敛速度和网络的泛化能力都要比BP网络好。　　2)针对BP网络学习速度慢,容易陷入局部极小值的问题,本文也采用了遗传算法对其进行优化,虽然网络的性能有所改善,其收敛速度也变快了,但是收敛曲线还是不如RBF网络的收敛曲线光滑,并且还是存在网络不稳定的问题,对于同一故障的每一次诊断结果都不同。然而RBF网络不断收敛速度快,且收敛曲线光滑,稳定性能好,不会因为多次诊断而产生不同的诊断结果。　　3)虽然RBF网络在复杂系统的故障诊断模式识别等应用中优于BP网络,但也存在不足之处。对于RBF神经网络设计的核心问题就是隐节点个数以及中心向量和宽度参数的确定,目前对于RBF网络的中心向量和宽度参数的确定还没有确切的理论依据。在前人的研究基础上,利用遗传算法来寻找RBF网络最优的中心向量和宽度参数,然而简单的遗传算法局部搜索能力较弱,容易出现种群早熟,对遗传算法进行了相应地改进,引入自适应遗传算法,即自适应地调整变换概率和变异概率,来提高全局寻优效率。经过自适应遗传优化过后的RBF网络的诊断性能更好,其诊断精度高,收敛速度更快,更能够满足实际应用中诊断实时、精准的要求。　　4)虚拟仪器功能强大,在当今测控领域中占重要位置。利用LabVIEW和MATLAB混合技术,设计了故障系统登陆、故障诊断主界面、特征参数提取以及故障诊断多位一体的故障诊断系统,其设计的程序简单易懂、操作界面友好,具有一定的实用价值。
作者：	许丽君
专业：	控制理论与控制工程
导师：	陈红卫
授予学位：	硕士
授予学位单位：	江苏科技大学
学位年度：	2013
正文语种：	中文