一、柴油机气阀间隙异常的诊断（论文文献综述）
高志龙[1]（2020）在《基于状态智能预警驱动的柴油机IETM关键技术研究与应用》文中指出柴油机作为一种关键动力设备,被广泛用于船舶航运、轨道交通、石油化工、能源电力、矿山机械、装备动力等相关行业,在国民经济乃至国防安全领域发挥着极为重要的作用。但由于其部件众多、结构复杂、工况恶劣,极易发生故障。一旦出现恶性故障将会导致停工停产,严重时甚至引发危及人身安全的重大事故。然而,当前柴油机监测报警技术较为落后,故障发生后无法得到精准识别,导致检维修效率低下。通过研究柴油机故障发生机理与对应的特征信号,借助先进算法有效提取特征参数,以实现柴油机典型机械故障的预警与诊断。并将故障诊断与交互式电子技术手册（IETM）技术相结合,实现监测、预警、诊断、维修、维护、管理等综合保障功能的深度融合,从而提升柴油机运行的安全性、可靠性和可用性。本文以大功率柴油机为对象,以提高其典型机械故障预警诊断水平和维修保障能力为目标,通过对典型机械故障机理的深入分析,研究适用于不同种类故障的预警和诊断方法。结合智能诊断算法实现柴油机运行工况的自动识别,提高预警和诊断准确率。最后探索基于故障预警驱动的IETM设计方法与架构。论文各章节主要研究内容如下:首先,综合归纳大功率柴油机典型机械故障类型,理清传统诊断方法面临的问题与挑战,分析智能诊断预警技术现状。研究国内外IETM技术发展历程、技术难点和未来发展趋势。在现有研究基础上,总结基于智能预警驱动的柴油机IETM系统关键技术点。其次,针对柴油机连杆衬套滑移,轴瓦磨损两类疑难故障,开展理论建模研究。通过建立相关数学模型,寻找故障典型特征。提出基于SAW（声表面波）无源无线测温技术的柴油机轴瓦磨损类故障预警诊断方法。研制柴油机连杆大小头瓦无线温度传感器,通过故障模拟试验证明该方法的有效性;然后,针对曲轴弯曲微变形这类恶性故障,建立多体动力学模型,通过模拟、仿真、分析其对应的故障特征及敏感参数,探究该类故障预警诊断的有效方法,并通过理论分析与实际故障案例相结合的方式证明该方法可行性;研究基于振动信号自适应的EMD降噪和聚类算法的柴油机运行功率自动识别算法,通过该算法实现对柴油机运行工况的自动识别。在无需增加传感器的前提下,引入柴油机输出功率作为预警诊断参考指标。此外,结合瞬时转速、温度、压力等参数,研究基于多源信息融合的复杂故障预警诊断方法,提高故障预警诊断的准确性。在上述研究成果的基础上,总结柴油机典型故障诊断系统设计方法。并利用实验和工程实际案例数据对系统功能进行验证。最后,研究基于智能预警驱动的IETM设计方法与架构。梳理传统IETM研制流程和编制规范,提出智能预警诊断技术与IETM相结合的实现方案,并给出基于状态智能预警驱动的柴油机IETM总体实现方法和步骤。
蒋佳炜,胡以怀,柯赟,陈彦臻[2]（2020）在《基于小波包特征提取和模糊熵特征选择的柴油机故障分析》文中指出船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。
张猛[3]（2019）在《船用柴油机健康状态监测评估系统开发与验证》文中研究说明船用柴油机是船舶的“动力心脏”,随着柴油机的强载度提高,发生故障的可能性也相应增大,对船用柴油机进行实时状态监测与健康评估成为保证船舶安全可靠的重要技术手段。本文主要进行基于振动信号和热力参数的船用柴油机健康状态监测评估系统开发与验证,通过对测量信号的分析处理和数据挖掘,及早发现柴油机的故障征兆,对提高船用柴油机的可靠性意义重大,且工程应用价值高。论文的主要研究内容和结论如下:1、归纳总结了船用柴油机监测诊断和健康状态评估技术的发展现状,采用模块化设计方法,完成船用柴油机健康状态监测评估数据管理系统的总体设计,设计了船用柴油机嵌入式机旁控制子系统、健康状态在线监测子系统和健康状态离线分析子系统,并确定了各子系统之间数据交互的方式。2、开发船用柴油嵌入式机旁控制子系统,分析了子系统中各模块的组成及内外部通信方式。设计以STM32单片机为微控制器的子系统硬件,实现了数据采集、数字量输入输出等功能。根据控制逻辑要求,开发了基本软件流程。通过柴油机实机测试,验证了船用柴油嵌入式机旁控制子系统运行可靠稳定,抗电磁干扰能力强,符合中国船级社（CCS）《钢质海船入级规范》的规范要求。3、完成船用柴油机健康状态在线监测子系统的硬件选型和软件开发,研究了时域和频域中振动信号处理和特征值提取方法,并根据研究方法进行振动信号分析处理和特征值提取。建立健康评估的判据和在线数据库,实现了柴油机健康状态的实时评估和数据储存。4、采用支持向量机和模糊C算法研究振动信号的数据挖掘技术。用设置阈值生成规则表,研究了热力参数的数据挖掘,结合柴油机振动信号特征值和数据挖掘算法,开发了柴油机健康状态离线分析子系统软件,对故障信息进行了深入挖掘。开发了较为完备的数据库,实现了柴油机各项参数的大数据储存。5、进行船用柴油机健康状态监测评估系统的台架试验验证,通过模拟柴油机的典型故障,提取了振动信号的故障特征,验证了船用柴油机在线监测子系统的有效性,将故障特征值导入船用柴油机离线分析子系统,验证了离线分析诊断的准确性,同时积累了试验台架的运行数据。
柯赟,胡以怀,蒋佳炜,Elijah Munyao,陈彦臻[4]（2018）在《基于小波包-AR谱和多核映射SVM气阀机构故障诊断》文中进行了进一步梳理利用小波包对非平稳信号故障特征提取的优越性和支持向量机适用于小样本学习的特性,针对柴油机气阀机构故障提出了一种基于小波包-AR谱分析和多核映射支持向量机相结合进行柴油机气阀机构故障诊断的方法。该方法采用小波包-AR谱分析提取频带能量为特征向量,利用多核映射支持向量机故障分类器实现对柴油机气阀机构故障分类。试验结果表明,小波包-AR谱分析和多核映射支持向量机能对柴油机气阀机构故障进行有效诊断,故障预报正确率为100%。
蒋佳炜,胡以怀,柯赟,陈彦臻[5]（2018）在《基于小波能量谱分析与SVM的柴油机气阀间隙异常故障诊断》文中指出船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机气阀间隙异常的故障诊断,由于柴油机气阀间隙振动信号噪声多,利用SVM对柴油机气阀间隙进行预测时需要进行特征提取。鉴于此,研究了基于小波能量谱分析的SVM柴油机气阀间隙的故障诊断方法,结果表明上述模型具有较高的识别率,能准确预测船舶动力设备当前状态。
王鑫[6]（2017）在《基于振动特征的柴油机气阀间隙变化识别技术研究》文中认为柴油机气阀与阀座恶劣的工作条件、气阀开关时与阀座发生撞击产生的摩擦磨损等导致气阀间隙发生变化,从而影响换气效率,致使柴油机功率降低,影响柴油机的使用寿命及运行过程中的可靠性。因此,对柴油机的气阀间隙进行异常变化的早期识别、排除隐患是很有必要的。本文以WD615中型船用柴油机气阀座附近缸盖振动响应信号为研究对象,采用二次图像分析、模式识别等分析手段,深入研究了柴油机气阀振动信号的特征提取和状态变化识别方法。柴油机运行过程中发生振动的激励源很多,其频率范围宽广,各种激励源经相应的传递及耦合,使得表面振动信号所含成分十分复杂,包含了丰富的状态信息。准确、有效提取振动特征参数可以在不影响柴油机正常工作的前提下实现对柴油机工作状况的监测。本文将局域波和独立分量分析方法应用于实测柴油机表面振动响应中气阀落座冲击响应的分离,以获取单一的激励源响应,结合柴油机气阀间隙异常机理分析,揭示气阀间隙变化与气阀落座冲击振动响应的内在联系。运用连续小波变换获得WD615柴油机缸盖振动信号的时频谱图,再使用二次图像分割技术提取振动特征体,并计算相应特征参数,实现基于特征参数对柴油机气阀变动情况进行表征。试验表明:柴油机气阀间隙发生变动,特征参数呈现出明显的差异性和规律性,可以对气阀间隙异常振动响应信号所反应的信息进行表征,为基于特征参数对气阀状态进行准确、有效识别奠定基础。振动信号是一种典型的非平稳时变信号,其振动响应特征参数与故障之间的直接联系较难确定。本文基于概率推理、模糊推理等建立在概率密度函数基础之上的不确定性理论进行处理。首先对特征数据按照信息熵最小化的原则进行多区间离散化处理,而后针对特征值之间联系的不确定关系,将特征值之间相互联系映射到超1-依赖方法同传统朴素贝叶斯方法独立性假设在分类中的差异性这一问题上,通过差异性对超1-依赖分类器进行加权,提出了一种改进的分类算法,提升了基于振动响应特征参数识别气阀间隙状态的精度。
张松娟[7]（2015）在《基于HHT和SVM的柴油机配气机构故障诊断技术研究》文中进行了进一步梳理配气机构是柴油机的主要运动件之一,它的工作状态直接影响柴油机的换气效果。由于配气机构运动频繁且工作环境通常较为恶劣,很容易发生故障,影响到柴油机的整体工作效率,严重时甚至引发柴油机其他部件的故障而危及机器和工作人员安全。因此,准确地预测和诊断配气机构故障对保证柴油机的工作效率和工作安全具有重要的意义。目前,振动分析法因其信号测取简单和易于监测等优点被广泛地应用于柴油机配气故障诊断中。然而由于柴油机本身结构复杂,振动的传播途径较多,振动信号一般表现出强烈的非平稳特性,因此,如何更有效地从采集到的振动响应信号中提取有价值的故障特征信息,及据此准确地识别故障发生的原因及位置是目前基于振动信号分析的柴油机故障诊断技术中两个亟待解决的关键问题。本文从故障特征提取和故障模式识别两个关键问题出发,提出了基于Hilbert-Huang变换（HHT）和支持向量机（SVM）的柴油机配气机构故障诊断的方法。首先,通过建立振动信号采集系统采集柴油机缸盖表面的振动响应信号,并对其进行去除趋势项和剔除异常值等预处理操作,利用计算阶比跟踪算法将等时间间隔采样得到的振动响应信号转换为具有角度标示的等角度信号。其次,深入研究了HHT算法,针对由其引起的端点效应及虚假模式问题提出了相应的改进与处理。利用HHT算法对等角度振动信号进行处理,从中提取出有价值的故障特征信息。通过经验模态分解（EMD）将振动信号筛选成一系列具有不同尺度的内禀模态函数,然后通过Hilbert变换得到展现柴油机缸盖振动信号时频特性的Hilbert谱。再次,研究了支持向量机模式识别方法在柴油机故障诊断中的应用。根据柴油机不同状态下的工作状况构建SVM分类器,输入由HHT提取出的故障特征信息,最终达到识别柴油机工作状态和故障类型的目的。最后,基于HHT和SVM设计了柴油机配气机构故障诊断监测系统,并通过实验采集到的缸盖振动响应信号有效地诊断及预测了气阀间隙故障和气阀漏气故障。实验结果表明,利用基于HHT和SVM的振动信号分析法对柴油机配气机构故障诊断是行之有效的。
陈杰[8]（2012）在《基于支持向量机的柴油机故障诊断技术研究》文中研究表明随着船用柴油机技术的发展,智能化技术已成为其主要发展趋势,船用柴油机故障诊断技术是智能化三大核心技术之一。由于船用柴油机的工作特性,显然不会有太多的故障样本,而当前的智能诊断技术,诸如神经网络方法等,都是以大量的样本学习为基础的,这严重制约了船用柴油机故障诊断技术的发展。近些年发展起来的支持向量机作为一种高效的分类方法,其理论建立在统计学习理论的基础上,它在解决小样本高维模式识别问题上表现出良好的性能。因此,开展基于支持向量机的船用柴油机故障诊断技术研究具有理论意义和工程应用价值。本文在研究支持向量机原理和开展故障模拟试验的基础上,进行了基于支持向量机的柴油机故障诊断技术研究,取得的主要研究结论如下：1、介绍分析了支持向量机的基本原理、多值分类算法和基于粒子群优化算法的分类器参数优化方法,为支持向量机应用于柴油机故障诊断技术奠定理论基础,并对比传统基于标准值的诊断方法和神经网络方法,分析了支持向量机应用于柴油机小样本故障诊断的可行性和优越性,并给出了实际应用的具体路线；2、搭建了柴油机试验台架,进行了试验系统硬件软件的设计开发,在此基础上进行了进气阀间隙异常、排气阀间隙异常、气阀漏气和失火状态下的故障模拟试验,测取了瞬时转速和声发射信号,为柴油机故障诊断技术研究提供可靠数据来源及分析平台；3、进行了基于支持向量机的瞬时转速故障诊断技术研究。应用波形分析法进行了瞬时转速特征参数分析,提取了波动率最大变化值、波动率作功峰值、工频与发火频率能量比、倍频与发火频率能量比4个故障敏感特征参数,作为特征向量,应用支持向量机建立了故障诊断模型,测试结果表明：该模型能有效地诊断失火和做功能力不足（气阀漏气）的故障,且在高负荷下具有最好的分类性能；4、进行了基于支持向量机的声发射故障诊断技术研究。应用参数分析法进行了声发射特征参数分析,提取了工作循环有效值、进气门关闭段有效值、排气门关闭段有效值和燃烧段有效值4个时域参数,以及应用小波包分析法对声发射信号进行3层Daubechies8小波包分解,提取了S2、S3及S4频带的能量比,组成7维特征向量,应用支持向量机建立了故障诊断模型,测试结果表明：该模型能有效地诊断进气阀间隙异常、排气阀间隙异常、气阀漏气和失火的故障,对不同气阀漏气程度也能作出准确诊断,且分类性能稳定,随负荷波动较小；5、进行了船用柴油机多方法综合监测诊断的策略研究。综合热力参数法、瞬时转速法、气缸压力示功图法、声发射法、活塞环监测法、轴系振动法、轴功率法及船舶运行性能监测法等方法,进行了系统组成设计,分析各方法的适应范围,设计综合监测诊断模型,在此基础上,进行了多方法综合监测诊断的策略研究。在某轮渡3号线和4号线的工程应用验证了综合监测诊断策略的有效性。
蒋大伟[9]（2012）在《基于多传感器信息融合的柴油机配气机构故障诊断技术研究》文中进行了进一步梳理柴油机作为一种原动力设备，由于其热效率高、适应性好、功率范围广，在工业、农业、交通运输业及国防建设中，都得到了广泛的应用。但是其结构复杂、工作环境恶劣，特别容易发生故障，尤其是局部零部件如配气机构，从而影响柴油机总体性能或造成事故。因此柴油机故障诊断是柴油机管理的主要发展方向，本文以此为背景，开展了基于多传感器信息融合的柴油机配气机构故障诊断技术研究。首先从配气机构的结构及工作原理开始，分析了配气机构的故障基理及故障表现。从而设计了以振动参数为主多传感器信息融合的诊断方法，搭建了实验台架，在此基础上设计安装了柴油机状态监测系统，并进行了实验研究。在实验中，模拟了柴油机气阀漏气与气阀间隙异常两种故障，建立了柴油机在正常及故障状态下的运行参数数据库。并将数据标本带入诊断系统，首先将瞬时转速、上止点信号、缸盖振动信号进行位置级融合，实现柴油机阶比跟踪，准确的将振动信号由时间域映射到角度域。在此过程中，解决了瞬时转速测量过程中脉冲缺失或增多影响测量结果的问题，并分析了算法中上采样率、角度分辨率、及插值算法对重采样结果的影响。接着截取故障角度段内信号进行Hilbert-Huang变换，将缸盖振动中不同性质的信号分量开来，并结合启动电机拖动下气阀对缸盖冲击响应信号和柴油机工作时序，分析出主要IMF分量的激振源，将正常与故障状态下和配气机构故障有关的IMF分量中指定角度内的信号进行了时频特性对比，并以Hilbert谱熵和方根值量化了特征参数，在此过程中解决了EMD分解算法中端点效应。还对比分析柴油机常规参数如：滑油压力、进气压力等信号与故障的关系。最后设计了基于RBF网络的信息融合框架，将有关参数进行融合。实验过程及融合结果都证明了次设计的有效性，并有巨大发展空间。
段福松,杨建国,厉成恩,贺玉海[10]（2011）在《高速柴油机气阀组件振动监测诊断技术试验研究》文中指出介绍了利用气缸盖表面振动信号对高速柴油机气阀组件等故障进行的振动监测诊断试验研究。分析了引起缸盖振动的激励源特征;对单缸熄火和气阀组件等故障进行了模拟试验;对不同故障状态的气缸盖表面振动信号进行了测量分析,提取用于故障诊断的特征参数,建立了不同类型及不同程度故障与特征参数间的相互关系。
二、柴油机气阀间隙异常的诊断（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、柴油机气阀间隙异常的诊断（论文提纲范文）
（1）基于状态智能预警驱动的柴油机IETM关键技术研究与应用（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究综述 |
| 1.2.1 柴油机故障传统监测诊断方法概况 |
| 1.2.2 柴油机故障智能监测诊断技术研究概况 |
| 1.2.3 IETM技术发展概况 |
| 1.3 前人的研究成果 |
| 1.3.1 柴油机监测诊断方面研究成果 |
| 1.3.2 智能诊断技术研究成果 |
| 1.3.3 IETM技术研究成果 |
| 1.4 论文结构与内容安排 |
| 第二章 柴油机典型机械故障分类与预警诊断技术 |
| 2.1 柴油机典型机械故障分类及其特征信号 |
| 2.1.1 柴油机典型机械故障分类 |
| 2.1.2 柴油机典型机械故障特征信号类型 |
| 2.2 柴油机典型机械故障监测预警方法 |
| 2.2.1 基于统计特征参量分析的时域信号监测预警方法 |
| 2.2.2 基于振动信号角域分析的故障诊断预警方法 |
| 2.2.3 基于振动信号时频分析的故障监测预警方法 |
| 2.2.4 基于振动信号自适应的EMD智能预警方法 |
| 2.2.5 基于K近邻的柴油机故障识别预警方法 |
| 2.3 柴油机故障预警诊断技术难点 |
| 2.4 本章小结 |
| 第三章 柴油机连杆轴瓦故障监测预警方法研究 |
| 3.1 连杆小头衬套滑移故障 |
| 3.1.1 连杆小头衬套滑移故障机理 |
| 3.1.2 连杆小头衬套滑移故障特征与监测难点分析 |
| 3.2 连杆轴瓦磨损故障 |
| 3.2.1 连杆轴瓦磨损故障类型与传统监测方法 |
| 3.2.2 连杆轴瓦磨损故障特征 |
| 3.3 基于SAW无线测温技术的轴瓦磨损类故障预警与诊断方法研究 |
| 3.3.1 SAW无源无线测温原理 |
| 3.3.2 基于SAW的连杆轴瓦温度传感器的设计 |
| 3.3.3 信号处理装置的设计 |
| 3.3.4 软件系统的设计 |
| 3.4 实验验证 |
| 3.4.1 高速单缸机配机试验 |
| 3.4.2 轴瓦磨损故障模拟试验 |
| 3.5 本章小结 |
| 第四章 柴油机曲轴弯曲微变形故障诊断方法研究 |
| 4.1 曲柄连杆简化模型的理论分析计算 |
| 4.1.1 曲柄连杆力学模型分析 |
| 4.1.2 曲柄模型简化 |
| 4.1.3 横向力作用下曲轴受力分析 |
| 4.1.4 弯曲形变对于横向力作用下曲轴受力影响 |
| 4.2 基于多体动力学仿真的故障特征研究 |
| 4.2.1 模型建立与参数设置 |
| 4.2.2 仿真过程 |
| 4.2.3 仿真结果分析 |
| 4.3 曲轴弯曲微变形故障监测预警方法 |
| 4.4 故障案例验证 |
| 4.4.1 传感器与测点布置 |
| 4.4.2 故障现象描述 |
| 4.4.3 数据分析与故障诊断结论 |
| 4.5 本章小结 |
| 第五章 柴油机典型机械故障智能预警诊断系统设计 |
| 5.1 基于缸盖振动信号概率密度分布的柴油机输出功率识别算法 |
| 5.1.1 缸盖振动信号截止滤波预处理 |
| 5.1.2 基于自适应EMD分解的缸盖振动信号处理方法研究 |
| 5.1.3 基于振动速度概率密度分布的功率识别方法 |
| 5.2 基于改进KNN的柴油机故障报警阈值动态自学习算法 |
| 5.2.1 训练集的构建 |
| 5.2.2 K值的确定 |
| 5.2.3 报警阈值动态学习方法 |
| 5.3 柴油机在线监测预警系统设计 |
| 5.3.1 系统总体设计 |
| 5.3.2 硬件方案 |
| 5.3.3 软件方案 |
| 5.4 工程应用案例 |
| 5.4.1 故障情况 |
| 5.4.2 报警信息与监测数据分析 |
| 5.4.3 故障原因探究 |
| 5.4.4 结论 |
| 5.5 本章小结 |
| 第六章 基于智能预警驱动的柴油机IETM架构设计 |
| 6.1 IETM平台的功能模块 |
| 6.1.1 多媒体制作工具 |
| 6.1.2 XML编辑器 |
| 6.1.3 公共源数据库 |
| 6.1.4 发布引擎 |
| 6.1.5 浏览器 |
| 6.2 标准IETM内容模块 |
| 6.3 IETM的开发流程 |
| 6.3.1 数据模块编码 |
| 6.3.2 数据模块需求列表(DMRL)编制 |
| 6.4 基于智能预警驱动的柴油机IETM架构设计 |
| 6.4.1 架构设计 |
| 6.4.2 具体实现 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论与成果 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（2）基于小波包特征提取和模糊熵特征选择的柴油机故障分析（论文提纲范文）
| 1 模糊熵算法 |
| 2 小波包能量谱特征提取 |
| 2.1 小波包分解基本原理 |
| 2.2 小波包能量谱 |
| 3 试验分析 |
| 3.1 试验数据分析流程 |
| 3.2 试验设备与故障设置 |
| 3.3 测点布置 |
| 3.4 模糊熵特征选择 |
| 4 结 论 |
（3）船用柴油机健康状态监测评估系统开发与验证（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题的背景和意义 |
| 1.2 船用柴油机监测系统应用现状与发展趋势 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 船用柴油机机旁监控系统现状 |
| 1.3.1 国外发展现状 |
| 1.3.2 国内发展现状 |
| 1.4 柴油机故障诊断分析方法综述 |
| 1.4.1 柴油机气阀故障的诊断分析方法 |
| 1.4.2 活塞-缸套磨损状态的监测分析方法 |
| 1.4.3 增压器动不平衡监测分析方法 |
| 1.4.4 热力参数诊断分析方法 |
| 1.5 主要研究内容 |
| 1.5.1 研究目标 |
| 1.5.2 研究内容与技术路线 |
| 1.6 本章小结 |
| 第2章 船用柴油机健康状态监测评估系统总体设计 |
| 2.1 总体结构 |
| 2.2 船用柴油机嵌入式机旁监控子系统结构 |
| 2.2.1 主控单元 |
| 2.2.2 人机交互单元 |
| 2.2.3 软件单元 |
| 2.3 船用柴油机健康状态在线监测子系统 |
| 2.3.1 系统软件 |
| 2.3.2 系统硬件 |
| 2.4 船用柴油机健康状态离线分析子系统 |
| 2.5 本章小结 |
| 第3章 船用柴油机嵌入式机旁监控子系统设计 |
| 3.1 机旁监控子系统的模块分析 |
| 3.1.1 监测、控制及报警模块 |
| 3.1.2 安全保护模块 |
| 3.1.3 电源分配模块 |
| 3.1.4 人机交互单元 |
| 3.1.5 基本通信方式 |
| 3.2 硬件电路设计 |
| 3.2.1 单片机选型 |
| 3.2.2 数据采集电路 |
| 3.2.3 数字量输入输出电路 |
| 3.2.4 看门狗设计 |
| 3.3 软件开发及控制逻辑 |
| 3.3.1 软件控制逻辑 |
| 3.3.2 柴油机机旁监测子系统在线标定 |
| 3.3.3 故障自诊断 |
| 3.4 嵌入式机旁监控子系统的实机验证 |
| 3.5 本章小结 |
| 第4章 船用柴油机健康状态在线监测子系统开发 |
| 4.1 设计方案 |
| 4.1.1 传感器配置 |
| 4.1.2 采集硬件选择 |
| 4.2 软件开发 |
| 4.2.1 参数配置单元 |
| 4.2.2 振动分析单元 |
| 4.2.3 热力参数单元 |
| 4.2.4 监测与报警单元 |
| 4.3 数据库管理系统与开发工具 |
| 4.3.1 数据库设计 |
| 4.3.2 数据库访问 |
| 4.4 本章小结 |
| 第5章 船用柴油机健康状态离线分析子系统开发 |
| 5.1 数据挖掘分析技术 |
| 5.1.1 数据挖掘的处理过程 |
| 5.1.2 数据挖掘算法 |
| 5.2 柴油机状态管理及热力参数数据挖掘 |
| 5.3 基于支持向量机算法的振动数据挖掘 |
| 5.3.1 支持向量机(SVM)的算法 |
| 5.3.2 技术路线 |
| 5.3.3 特征值提取 |
| 5.3.4 基于支持向量机算法的LabVIEW软件界面 |
| 5.4 基于模糊C算法(FCM)的振动数据挖掘 |
| 5.4.1 FCM算法研究 |
| 5.4.2 技术路线 |
| 5.4.3 基于模糊C算法的LabVIEW软件界面 |
| 5.5 本章小结 |
| 第6章 船用柴油机健康状态监测评估系统试验验证 |
| 6.1 试验机型 |
| 6.2 试验现场及测点分布 |
| 6.3 柴油机故障模拟试验 |
| 6.3.1 试验方案 |
| 6.3.2 信号的特征参数提取 |
| 6.3.3 试验测试信号分析 |
| 6.4 离线分析子系统数据挖掘 |
| 6.4.1 特征值提取 |
| 6.4.2 基于支持向量机的离线分析系统 |
| 6.4.3 基于模糊C算法的离线分析系统 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文和参加的科研项目 |
（4）基于小波包-AR谱和多核映射SVM气阀机构故障诊断（论文提纲范文）
| 0 引言 |
| 1 小波包-AR谱故障特征提取 |
| 1.1 小波包变换 |
| 1.2 AR谱估计 |
| 1.3 实例介绍 |
| 1.4 振动信号的分析和处理 |
| 2 基于多核映射的支持向量机 |
| 3 SVM分类器建立及试验结果分析 |
| 4 结论 |
（5）基于小波能量谱分析与SVM的柴油机气阀间隙异常故障诊断（论文提纲范文）
| 0 引言 |
| 1 故障模拟试验 |
| 2 小波能量谱分析 |
| 2.1 小波分析 |
| 2.2 小波原理简介 |
| 3 支持向量机分析 |
| 4 结束语 |
（6）基于振动特征的柴油机气阀间隙变化识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题的背景和意义 |
| 1.2 柴油机状态监测特征参数研究现状 |
| 1.2.1 基于热力参数计算的特征参数 |
| 1.2.2 基于传统信号处理方法提取的特征参数 |
| 1.2.3 基于现代信号处理方法提取的特征参数 |
| 1.3 贝叶斯模式识别技术研究现状 |
| 1.4 本文的主要工作和结构组织 |
| 第2章 特征提取与模式识别的基本理论 |
| 2.1 信号分析 |
| 2.1.1 时频分析 |
| 2.1.2 小波分析 |
| 2.2 振动响应特征提取 |
| 2.2.1 盲源分离 |
| 2.2.2 二次图像分析 |
| 2.3 振动图像处理及分割 |
| 2.3.1 数字图像表现形式 |
| 2.3.2 图像增强处理 |
| 2.3.3 图像分割 |
| 2.4 朴素贝叶斯及其集成 |
| 2.4.1 朴素贝叶斯分类 |
| 2.4.2 贝叶斯分类器的集成 |
| 2.5 本章小结 |
| 第3章 气阀间隙变化振动响应特征参数提取研究 |
| 3.1 试验台架柴油机参数 |
| 3.1.1 试验柴油机主要参数 |
| 3.1.2 实验柴油机气阀结构参数 |
| 3.2 柴油机振动响应特征参数提取 |
| 3.2.1 技术路线 |
| 3.2.2 基于局域波处理时程曲线和功率谱信号特征分析 |
| 3.2.3 基于盲分离处理的CWT二次图像特征分析 |
| 3.3 柴油机气阀间隙变化振动特征参数分析 |
| 3.4 本章小结 |
| 第4章 基于改进贝叶斯算法的气阀间隙变化识别研究 |
| 4.1 基于WSPODE加权方式的贝叶斯改进算法 |
| 4.1.1 平均的1-依赖分类(AODE)模型 |
| 4.1.2 SPODE与其相对应的NB的差异性分析 |
| 4.1.3 WSPODE集成 |
| 4.1.4 时间复杂度分析 |
| 4.1.5 UCI数据集验证 |
| 4.2 基于贝叶斯改进算法的气阀间隙识别试验 |
| 4.2.1 试验方案设置 |
| 4.2.2 振动响应特征值提取 |
| 4.2.3 监督多区间离散化处理 |
| 4.2.4 实验结果与分析 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文主要结论 |
| 5.2 工作展望 |
| 参考文献 |
| 附录 贝叶斯算法的部分关键程序及说明 |
| 攻读学位期间公开发表论文 |
| 致谢 |
| 作者简介 |
（7）基于HHT和SVM的柴油机配气机构故障诊断技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的目的与意义 |
| 1.2 柴油机故障诊断技术研究现状 |
| 1.2.1 故障特征提取 |
| 1.2.2 故障状态的识别与诊断 |
| 1.3 柴油机配气机构故障 |
| 1.3.1 气门间隙异常故障 |
| 1.3.2 气阀漏气故障 |
| 1.4 基于缸盖振动信号的柴油机配气机构故障诊断方案设计 |
| 1.4.1 振动信号的特性 |
| 1.4.2 方案设计 |
| 1.5 本文的研究内容 |
| 第2章 信号的预处理 |
| 2.1 去除趋势项 |
| 2.2 异常值剔除 |
| 2.3 计算阶比跟踪分析 |
| 2.3.1 等角度重采样 |
| 2.3.2 重采样过程 |
| 2.4 本章小结 |
| 第3章 基于Hilbert-Huang变换的缸盖振动信号特征提取 |
| 3.1 引言 |
| 3.2 Hilbert-Huang变换的基本原理 |
| 3.2.1 EMD分解思想 |
| 3.2.2 EMD分解过程 |
| 3.2.3 Hilbert谱及Hilbert边际谱 |
| 3.2.4 EMD分解的特性 |
| 3.3 Hilbert-Huang变换算法的优化 |
| 3.3.1 端点效应 |
| 3.3.2 虚假模式 |
| 3.4 柴油机缸盖振动信号特征提取的实例分析 |
| 3.4.1 柴油机正常工作 |
| 3.4.2 柴油机气门间隙故障 |
| 3.4.3 柴油机气阀漏气故障 |
| 3.5 本章小结 |
| 第4章 基于支持向量机的柴油机故障诊断方法 |
| 4.1 引言 |
| 4.2 支持向量机分类器 |
| 4.2.1 支持向量机的分类原理 |
| 4.2.2 分类算法 |
| 4.2.3 分类器设计 |
| 4.3 基于IMF能量和SVM的柴油机故障诊断 |
| 4.3.1 内禀模态能量熵 |
| 4.3.2 特征向量的构建 |
| 4.3.3 训练结果分析 |
| 4.4 本章小结 |
| 第5章 柴油机配气机构故障诊断监测系统实验研究 |
| 5.1 引言 |
| 5.2 系统的硬件组成 |
| 5.2.1 实验对象 |
| 5.2.2 实验硬件设备 |
| 5.3 实验平台的软件系统 |
| 5.3.1 故障监测系统 |
| 5.3.2 数据采集过程 |
| 5.4 故障诊断实验方案设计 |
| 5.4.1 振动测点的选择 |
| 5.4.2 故障模拟 |
| 5.4.3 实验方案 |
| 5.5 诊断实例 |
| 5.6 本章小结 |
| 结论 |
| 1.结论 |
| 2.工作展望 |
| 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 |
（8）基于支持向量机的柴油机故障诊断技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 柴油机智能故障诊断技术的研究现状 |
| 1.2.1 基于专家系统的柴油机故障诊断方法 |
| 1.2.2 基于神经网络的柴油机故障诊断方法 |
| 1.3 支持向量机的研究现状 |
| 1.3.1 支持向量机在故障诊断领域中的应用 |
| 1.3.2 支持向量机在柴油机故障诊断领域中的应用 |
| 1.4 本文主要研究内容 |
| 第2章 基于支持向量机的多故障分类器研究 |
| 2.1 支持向量机原理 |
| 2.1.1 线性可分 |
| 2.1.2 线性不可分 |
| 2.1.3 非线性 |
| 2.2 支持向量机的多值分类算法 |
| 2.2.1 “一对多”分类算法 |
| 2.2.2 “一对一”分类算法 |
| 2.3 故障分类器参数的优化算法 |
| 2.3.1 粒子群优化算法(PSO) |
| 2.3.2 基于粒子群优化算法的支持向量机参数优化方法 |
| 2.4 基于支持向量机的柴油机故障诊断技术路线 |
| 第3章 柴油机试验设计与故障模拟试验 |
| 3.1 试验台架搭建 |
| 3.2 试验系统设计 |
| 3.2.1 开发平台 |
| 3.2.2 硬件组成 |
| 3.2.3 软件组成 |
| 3.3 故障模拟试验 |
| 3.3.1 试验方案 |
| 3.3.2 传感器测点布置 |
| 第4章 基于支持向量机的柴油机瞬时转速诊断技术 |
| 4.1 瞬时转速诊断机理 |
| 4.2 瞬时转速计算 |
| 4.2.1 瞬时转速信号提取 |
| 4.2.2 瞬时转速信号处理 |
| 4.3 特征参数提取 |
| 4.3.1 波形分析法 |
| 4.4 基于支持向量机的瞬时转速故障诊断模型 |
| 第5章 基于支持向量机的柴油机声发射诊断技术 |
| 5.1 声发射诊断机理 |
| 5.2 信号预处理 |
| 5.3 特征参数提取 |
| 5.3.1 参数分析法 |
| 5.3.2 小波包分析法 |
| 5.4 基于支持向量机的声发射故障诊断模型 |
| 第6章 船用柴油机多方法综合监测诊断策略研究 |
| 6.1 综合监测诊断系统设计 |
| 6.2 综合监测诊断策略研究 |
| 6.3 工程应用 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文和参加的科研项目 |
（9）基于多传感器信息融合的柴油机配气机构故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 柴油机故障诊断概述 |
| 1.2.1 柴油机故障诊断复杂性 |
| 1.2.2 柴油机的故障诊断方法及产品现状 |
| 1.3 多传感器信息融合概况 |
| 1.3.1 多传感器信息融合基本原理 |
| 1.3.2 多传感器信息融合技术应用及优点 |
| 1.4 基于多传感器信息融合技术的柴油机故障诊断概述 |
| 1.5 本文的研究内容 |
| 第2章 柴油机故障诊断系统方案设计 |
| 2.1 柴油机配气机构故障基理研究 |
| 2.1.1 柴油机配气机构的结构及作用 |
| 2.2 柴油机配气机构故障原因及表现 |
| 2.2.1 配气机构故障原因 |
| 2.2.2 配气机构的故障表现 |
| 2.3 配气机构故障的诊断方法 |
| 2.4 信息融合诊断系统设计 |
| 2.4.1 柴油机故障诊断系统设计方案 |
| 2.4.2 基于信息融合技术的故障诊断系统总体设计 |
| 2.5 本章小结 |
| 第3章 柴油机故障诊断实验研究 |
| 3.1 实验台架搭建 |
| 3.2 状态监测系统设计安装 |
| 3.2.1 监测系统的硬件选型及设计 |
| 3.2.2 状态监测系统软件设计 |
| 3.3 实验方案设计 |
| 3.3.1 振动测点的选择 |
| 3.3.2 柴油机配气机构故障模拟 |
| 3.3.3 实验内容及步骤 |
| 3.4 本章小结 |
| 第4章 柴油机计算阶比跟踪技术研究 |
| 4.1 振动信号定位 |
| 4.1.1 恒频采样 |
| 4.1.2 阶比跟踪技术 |
| 4.2 柴油机阶比跟踪计算 |
| 4.2.1 瞬时转速异常值剔除 |
| 4.2.2 基于重采样的计算阶比跟踪 |
| 4.2.3 实验数据融合 |
| 4.3 本章小结 |
| 第5章 柴油机缸盖振动分析及特征提取 |
| 5.1 柴油机缸盖振动激振源分析 |
| 5.2 常用振动信号特征提取算法特点 |
| 5.3 基于 EMD 的时频分析特征提取 |
| 5.3.1 Hilbert-Huang 产生背景 |
| 5.3.2 Hilbert-Huang 算法 |
| 5.3.3 Hilbert 谱 |
| 5.3.4 仿真信号演示 |
| 5.3.5 柴油机振动分析实例 |
| 5.4 柴油机故障状态下 IMF 及 Hilbert 谱对比 |
| 5.4.1 气阀间隙异常 |
| 5.4.2 排气阀漏气 |
| 5.5 振动信号特征量化 |
| 5.5.1 时域参数量化 |
| 5.5.2 基于 Hilbert 边际能量谱的特征量化 |
| 5.6 本章小结 |
| 第6章 基于神经网络的信息融合技术 |
| 6.1 柴油机常规参数与故障关系分析 |
| 6.2 基于神经网络数据融合的柴油机诊断 |
| 6.2.1 神经网络信息融合的原理及优势 |
| 6.2.2 基于径向基函数神经网络信息融合框架 |
| 6.2.3 RBF 网络的构造 |
| 6.2.4 RBF 网络的训练 |
| 6.3 柴油机配气机构故障诊断 |
| 6.4 本章小结 |
| 总结 |
| 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 |
（10）高速柴油机气阀组件振动监测诊断技术试验研究（论文提纲范文）
| 0 引 言 |
| 1 诊断原理 |
| 2 气阀组件振动监测诊断技术试验研究 |
| 2.1 试验台架及测量系统 |
| 2.2 气阀机构的模拟故障试验 |
| 2.3 信号分析处理 |
| 2.3.1 进气阀间隙异常故障 |
| 2.3.2 排气阀间隙异常故障 |
| 2.3.3 气阀漏气故障 |
| 3 结 论 |
四、柴油机气阀间隙异常的诊断（论文参考文献）
- [1]基于状态智能预警驱动的柴油机IETM关键技术研究与应用[D]. 高志龙. 北京化工大学, 2020(01)
- [2]基于小波包特征提取和模糊熵特征选择的柴油机故障分析[J]. 蒋佳炜,胡以怀,柯赟,陈彦臻. 振动与冲击, 2020(04)
- [3]船用柴油机健康状态监测评估系统开发与验证[D]. 张猛. 武汉理工大学, 2019(07)
- [4]基于小波包-AR谱和多核映射SVM气阀机构故障诊断[J]. 柯赟,胡以怀,蒋佳炜,Elijah Munyao,陈彦臻. 机电工程技术, 2018(10)
- [5]基于小波能量谱分析与SVM的柴油机气阀间隙异常故障诊断[J]. 蒋佳炜,胡以怀,柯赟,陈彦臻. 机电设备, 2018(04)
- [6]基于振动特征的柴油机气阀间隙变化识别技术研究[D]. 王鑫. 大连海事大学, 2017(01)
- [7]基于HHT和SVM的柴油机配气机构故障诊断技术研究[D]. 张松娟. 哈尔滨工程大学, 2015(06)
- [8]基于支持向量机的柴油机故障诊断技术研究[D]. 陈杰. 武汉理工大学, 2012(10)
- [9]基于多传感器信息融合的柴油机配气机构故障诊断技术研究[D]. 蒋大伟. 哈尔滨工程大学, 2012(07)
- [10]高速柴油机气阀组件振动监测诊断技术试验研究[J]. 段福松,杨建国,厉成恩,贺玉海. 柴油机, 2011(05)