基于IMF复杂度和RBF网络的配气机构故障诊断
针对柴油机振动信号的非平稳特性,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、复杂度和RBF(radi-cal basis function)神经网络相结合的故障诊断方法;运用经验模态分解方法对特定时段的振动信号进行分析,计算前5个固有模式分量(Intrinsic Mode Functions,IMF)的Lempel--Ziv相对复杂度作为故障特征向量,并利用RBF神经网络可以快速逼近任意非线性函数及良好分类能力的特点,来实现对柴油机工作状态和故障类型的判别;最后,利用实际柴油机试验数据的诊断和对比试验验证了该方法的有效性.
柴油机、故障诊断、经验模态分解(EMD)、复杂度、RBF神经网络
19
TK428;TP206.3(内燃机)
2011-08-29(万方平台首次上网日期,不代表论文的发表时间)
共4页
1040-1043