内燃机核基动态监测诊断方法研究

According to nonlinear, non-stationary, time-varying characteristics of operating state of the internal combustion engine,the research on dynamical monitoring and diagnosis methods is carried under kernel framework,aiming to improve the personalized,real-time and robust ability of monitoring and diagnosis.In order to track machinery state continuously,dynamical features extraction methods based on kernel principal component analysis are studied and KPCA algorithms with strong robustness, kernel parameter optimization and on-line learning are put forward. In order to realize the personalized and real-time early warning of abnormal state,dynamical monitoring methods based on one-class support vector machine are studied and on-line OC-SVM algorithms with abnormal samples fusion, model parameters Parallel Optimization,Oriented to non-stationary samples are put forward. In order to update the new fault types and patterns dynamically,dynamical learning methods of multi-faults based on support vector domain description are studied and multi-classification algorithms based on SVDD with fuzzy clustering fusion, improved decision functions, time-rolling window are put forward. In order to predict condition trend early,dynamical diagnosis methods of fault process based on support vector regression are studied and SVR algorithms with fractal theory fusion, model selection,on-line learning are put forward.

针对内燃机运行状态的非线性、非平稳时变特点，本项目在核框架下研究内燃机的动态监测诊断方法，以期提高监测诊断的个性化、实时性和鲁棒性。研究基于核主元分析的状态特征动态提取方法，提出鲁棒性强、核参数优化和在线学习的KPCA算法，实现机器状态的连续跟踪；研究基于一类支持向量机的动态监测方法，提出融合异类样本、模型参数并行优化和面向非平稳数据的在线OC-SVM算法，实现机器异常状态的个性化实时预警；研究基于支持向量域描述的多故障动态学习方法，提出融合模糊聚类、改进判决函数和滚动时间窗的SVDD多分类算法，实现故障类别、模式的动态更新与学习；研究基于支持向量回归机的故障过程动态诊断方法，提出融合分形理论、模型优化和在线学习的SVR算法，实现机器状态趋势的早期预示。

内燃机是一种量多面广的往复式动力机械，涉及到工业、农业、纺织、电力、交通、石油、化工等国民经济建设中的各行各业。在国防领域，内燃机被广泛应用于二炮机动的独立作战单元或偏远部署的固定阵地中，是二炮导弹武器装备系统的重要组成部分。内燃机运行状态的好坏直接影响整个动力装置的安全性和可靠性。因此，无论从军事还是民用角度来看，开展内燃机监测诊断研究，对于确保机器长期处于最佳运行状态，提高维修保养质量和效率具有重要意义。. 本项目以内燃机为应用对象、以核方法为手段，从故障特征提取、异常状态监测、故障模式分类、故障趋势预测四个方面，在核框架下研究内燃机的动态监测诊断方法，具体研究内容包括：1）基于核主元分析的状态特征动态提取方法；2）基于一类支持向量机的动态监测方法；3）基于支持向量域描述的多故障在线学习方法；4）基于支持向量回归的故障过程动态诊断方法。. 本项目取得了如下研究成果：. 1）围绕抗噪性能提高、核参数优化、状态特征动态连续跟踪，提出了基于核主元分析的状态特征动态提取方法，并通过实验数据进行了验证，编写了基于核主元分析的故障特征提取软件。. 2）围绕故障样本利用、判决准则优化、大规模样本训练，提出了基于一类支持向量机在线算法的动态监测方法，并通过实验数据进行了验证，编写了基于一类支持向量机的状态预警软件。. 3）围绕故障模式动态调整和故障类别动态添加，提出了基于支持向量域描述的多故障在线学习方法，并通过实验数据进行了验证，编写了基于支持向量域描述的多故障识别软件。. 4）围绕核参数优化和模型精度提高，提出了基于支持向量回归的故障过程动态诊断方法，并通过实验数据进行了验证，编写了基于支持向量回归的状态趋势预测软件。