TOP18【毕业设计】发动机瞬时转速的时域分析.doc文档免费在线阅读

上述各类方法，虽然在现场应用的难度上对柴油机故障诊断的准确性可靠性适用性等方面不同程度的存在些缺陷，但是，它们丰富了柴油机故障诊断的手段。

柴油机故障诊断技术的现状及发展趋势国外用声振诊断技术来研究柴油机的故障始于年代后期，目前已取得突破性进展，世界航运先进国家，如瑞士挪威日本丹麦德国英国和美国已逐步将此项技术应用到船舶柴油机。

美国年研制出机车柴油机故障诊断专家系统英国等合作开发出域，存在着许多推理逻辑，较著名的有模态逻辑与动态逻辑值逻辑直觉主义逻辑的类型理论时态理论面向非单调推理的语义理论及不精确推理等。

模糊逻辑作为种降低系统复杂性的方法近期在专家系统的推理逻辑中，这主要得益于以语言为代表的面向对象的编程技术的兴起及普及，语言对面向对象的数据结构极为支持，而框架正是种面向对象的数据结构。

在诊断推理方面，主要表现在对推理逻辑和推理模型的研究上。

在人工智能领推理。

在知识表达方面，利用产生式规则进行知识表达，方面得益于现有人工智能语言，如另方面是它的表达合乎人的心理逻辑，便于进行知识获取，利于人们接受。

利用框架进行知识表达得到了越来越多的应用诊断方法专家系统是人工智能的主要分支之，其核心内容包括知识库知识获取推理机和解释部分。

专家系统按其知识表达方式的不同可分为基于规则的和基于框架的专家系统按其推理方式的不同可分为正向推理和逆向不完备性，发现数据间隐藏的关系，从而提取有用信息，简化信息的处理。

用粗糙集理论优化条件属性和决策属性，再用神经网络对属性进行聚类分析，可以减少神经网络的输入节点数，提高学习效率。

基于专家系统的智能化专家系统的知识瓶颈问题等缺陷，达到种较完美的组合。

此外，粗糙集理论方法用于刻划不完整数据和不精确知识的表达学习和归纳十分有效。

它能有效地分析和处理不精确不完整不致等学习问题二是将神经网络视为类知识源的表达和处理模型，与其它知识表达模型起去表达领域专家的知识。

实践证明，神经网络和专家系统结合，互补长短，克服了神经网络存在的诊断推理不清楚诊断解释机制不强以及存在的局部极值问题。

神经网络与专家系统相结合。

主要有两种策略是将专家系统构成神经网络，把传统专家系统的基于符号的推理变成基于数值运算的推理，以提高专家系统的执行效率并利用其学习能力解决专家系统的糊思维方法，采用多层前向网络结构，结合人们的先验知识进行模糊推理，使之具有准确的非线性拟合和学习能力。

由于权值初始化可根据先验知识人为选择，因此，网络的学习速度大大加快，并在定程度上回避了梯度下降法传播路径复杂故障与特征参数的映射关系模糊，再加上边界条件的不确定性运行工况的多变性，使故障征兆和故障原因之间难以建立准确的对应关系。

模糊神经网络应用模糊集合论模糊语言变量及模糊逻辑推理来模拟人的模经网络分布式信息存储和并行处理，避开了模式识别中建模和特征提取的麻烦，从而消除了模式不符和特征提取不当所带来的影响，使故障状态易于识别。

模糊神经网络在故障诊断应用中具有广阔的前景。

由于柴油机状态信号敛速度慢等缺点。

在神经网络中引入模拟退火法和遗传算法，可以有效地解决局部极值，提高算法的收敛速度。

自适应神经网络模式识别。

传统模式识别过程在特征提取上具有很大的盲目性，效率低。

而自适应神经网络利用神例的训练和学习，用分布在神经网络中的连接权值来表达所学习的故障诊断知识，具有对故障的联想记忆模式匹配和相似归纳的能力，可以实现故障和征兆间的复杂的非线性映射关系。

但是，基本算法存在着局部极值和收网络在柴油机故障诊断中的应用主要有神经网络直接用于故障诊断，通过选择关键参数作为网络的输入层，故障类型在输出层给出。

神经网络由于具有较强的非线性映射能力而被广泛应用于故障诊断领域。

它通过对故障实定，目前所采用的谱分析故障诊断方法，只是根据功率谱的形状特征，用相似比较的办法进行确定。

在不同的故障形式产生相似形状功率谱图时，有可能发生误诊，给实际判断工作造成很大困难。

基于神经网络的故障诊断法神经又有横向性，这特性带来了柴油机这复杂系统中多个故障并存的现实，多故障的同时诊断导致对故障能否准确定位这十分困难的诊断问题。

④柴油机各类故障所对应的振动频率，无论从理论上还是实践中都较难准确确台型号柴油机振动信号的分析法，对另型号的柴油机未必可行对同机型取不同的测点进行测量，即使故障类型相同，所测量的结果都有可能是矛盾的。

柴油机振源多，系统传递路径复杂，故障既有纵向性，又台型号柴油机振动信号的分析法，对另型号的柴油机未必可行对同机型取不同的测点进行测量，即使故障类型相同，所测量的结果都有可能是矛盾的。

柴油机振源多，系统传递路径复杂，故障既有纵向性，又有横向性，这特性带来了柴油机这复杂系统中多个故障并存的现实，多故障的同时诊断导致对故障能否准确定位这十分困难的诊断问题。

④柴油机各类故障所对应的振动频率，无论从理论上还是实践中都较难准确确定，目前所采用的谱分析故障诊断方法，只是根据功率谱的形状特征，用相似比较的办法进行确定。

在不同的故障形式产生相似形状功率谱图时，有可能发生误诊，给实际判断工作造成很大困难。

基于神经网络的故障诊断法神经网络在柴油机故障诊断中的应用主要有神经网络直接用于故障诊断，通过选择关键参数作为网络的输入层，故障类型在输出层给出。

神经网络由于具有较强的非线性映射能力而被广泛应用于故障诊断领域。

它通过对故障实例的训练和学习，用分布在神经网络中的连接权值来表达所学习的故障诊断知识，具有对故障的联想记忆模式匹配和相似归纳的能力，可以实现故障和征兆间的复杂的非线性映射关系。

但是，基本算法存在着局部极值和收敛速度慢等缺点。

在神经网络中引入模拟退火法和遗传算法，可以有效地解决局部极值，提高算法的收敛速度。

自适应神经网络模式识别。

传统模式识别过程在特征提取上具有很大的盲目性，效率低。

而自适应神经网络利用神经网络分布式信息存储和并行处理，避开了模式识别中建模和特征提取的麻烦，从而消除了模式不符和特征提取不当所带来的影响，使故障状态易于识别。

模糊神经网络在故障诊断应用中具有广阔的前景。

由于柴油机状态信号传播路径复杂故障与特征参数的映射关系模糊，再加上边界条件的不确定性运行工况的多变性，使故障征兆和故障原因之间难以建立准确的对应关系。

模糊神经网络应用模糊集合论模糊语言变量及模糊逻辑推理来模拟人的模糊思维方法，采用多层前向网络结构，结合人们的先验知识进行模糊推理，使之具有准确的非线性拟合和学习能力。

由于权值初始化可根据先验知识人为选择，因此，网络的学习速度大大加快，并在定程度上回避了梯度下降法存在的局部极值问题。

神经网络与专家系统相结合。

主要有两种策略是将专家系统构成神经网络，把传统专家系统的基于符号的推理变成基于数值运算的推理，以提高专家系统的执行效率并利用其学习能力解决专家系统的学习问题二是将神经网络视为类知识源的表达和处理模型，与其它知识表达模型起去表达领域专家的知识。

实践证明，神经网络和专家系统结合，互补长短，克服了神经网络存在的诊断推理不清楚诊断解释机制不强以及专家系统的知识瓶颈问题等缺陷，达到种较完美的组合。

此外，粗糙集理论方法用于刻划不完整数据和不精确知识的表达学习和归纳十分有效。

它能有效地分析和处理不精确不完整不致等不完备性，发现数据间隐藏的关系，从而提取有用信息，简化信息的处理。

用粗糙集理论优化条件属性和决策属性，再用神经网络对属性进行聚类分析，可以减少神经网络的输入节点数，提高学习效率。

基于专家系统的智能化诊断方法专家系统是人工智能的主要分支之，其核心内容包括知识库知识获取推理机和解释部分。

专家系统按其知识表达方式的不同可分为基于规则的和基于框架的专家系统按其推理方式的不同可分为正向推理和逆向推理。

在知识表达方面，利用产生式规则进行知识表达，方面得益于现有人工智能语言，如另方面是它的表达合乎人的心理逻辑，便于进行知识获取，利于人们接受。

利用框架进行知识表达得到了越来越多的应用，这主要得益于以语言为代表的面向对象的编程技术的兴起及普及，语言对面向对象的数据结构极为支持，而框架正是种面向对象的数据结构。

在诊断推理方面，主要表现在对推理逻辑和推理模型的研究上。

在人工智能领域，存在着许多推理逻辑，较著名的有模态逻辑与动态逻辑值逻辑直觉主义逻辑的类型理论时态理论面向非单调推理的语义理论及不精确推理等。

模糊逻辑作为种降低系统复杂性的方法近期在专家系统的推理逻辑中得到了广泛应用，较成熟的有的近似推理方法和针对贝叶斯概率理论中先验概率难以获取而提出的证据理论等，国内的许多专家系统也对模糊逻辑进行了发展对推理模型的研究则表现在如何对推理的知识进行划分及控制，从而使推理过程更为有效。

如基于结构与功能的推理模型，和提出的集成诊断模型，的层次因果模型等。

值得注意的是，最近有学者提出基于模型的知识库理论，这使推理机制发生了根本改变，如神经网络模型定性物理模型可视觉模型等，这无疑给人工智能领域注入了新的活力。

上述各类方法，虽然在现场应用的难度上对柴油机故障诊断的准确性可靠性适用性等方面不同程度的存在些缺陷，但是，它们丰富了柴油机故障诊断的手段。

柴油机故障诊断技术的现状及发展趋势国外用声振诊断技术来研究柴油机的故障始于年代后期，目前已取得突破性进展，世界航运先进国家，如瑞士挪威日本丹麦德国英国和美国已逐步将此项技术应用到船舶柴油机。

美国年研制出机车柴油机故障诊断专家系统英国等合作开发出系统，其功能包含状态监测故障诊断性能优化，性能监测和预报维修。

目前国令，于是，原平衡方程等价于其中