基于人工智能和虚拟仪器技术的发动机故障诊断专家系统研究

汽车发动机是一个复杂系统,其故障约占汽车的全部故障的40%以上。为避免严重事故的发生,需运用故障诊断技术及时了解汽车发动机的工作性能、判断各部件是否处于或即将处于何种故障状态,因此对汽车发动机展开故障诊断技术理论和诊断系统的研究有着非常重要而又现实的意义。然而,我国目前的发动机故障诊断系统尚缺乏一种集多种参数采集、分析处理和诊断推理的通用化平台,同时在分析故障现象和故障原因的非线性关系时,现有的故障诊断理论也不能简单地运用到故障诊断系统中,需要通过分析改进,以得到一个切合实际能解决问题的故障诊断推理模型。 为此,本文系统介绍了用于发动机故障诊断测试的信号采集、信号处理、神经网络、粗糙集理论、虚拟仪器等技术,并对各项技术的原理特点及在故障诊断领域中的应用做了细致的研究和分析。在此基础上提出了一种以虚拟仪器技术为通用化平台,以神经网络推理为主的多种人工智能技术集成的发动机故障诊断测试专家系统,应用效果良好。 论文的主要内容包括: 1.分析了现有各类故障诊断技术方法的结构组成、推理方法、功能特点及其在故障诊断领域中的应用状况,提出本系统诊断推理方法以神经网络推理为主、专家系统为基础和其它各类故障技术方法为辅的设计思路。然后对三种典型神经网络(即BP网络、RBF网络和SOM网络)的基本原理、模型结构、算法设计进行了分析,并对BP网络的一些改进算法进行了研究,对这些改进算法的网络训练效果进行了对比分析,提出了合理选择这些算法的指导思想。 2.对粗糙集理论的基本概念、连续数据离散化方法以及属性指标约简方法进行了详细的分析,并提出了值约简方法中一种提取规则的新算法;然后综合自组织神经网络、决策表约简和BP神经网络,首次建立了一种新型的发动机失火故障诊断模型,并对模型中的数据离散化方法、知识表约简方法以及BP神经网络推理方法的进行了程序设计和应用分析。 3.为解决机械故障诊断中因样本数目大而无法训练或者难以收敛的情况,对集成神经网络技术的基本思想、网络结构、分类组建方法和信息融合方法进行了分析研究,在此基础上结合神经网络一些前处理方法(如聚类分析、主成分分析方法),并首次创建了基于聚类分析和集成神经网络的柴油机性能评估预测模型、基于主成分分析和集成神经网络的发动机废气排放故障诊断模型。