柴油机是一种复杂的往复式动力机械,由于结构复杂,运动部件多,使柴油机的故障诊断十分困难,对柴油机故障诊断技术的研究一直是人们潜心研究的一个难题。柴油机故障诊断技术是利用柴油机的状态信息和历史状况,通过分析和处理来定量识别实时技术状态,并预测异常故障的未来技术状态的一门建立在多学科基础上的综合技术。采用何种理论方法能够更有效更快捷地提取柴油机的故障特征信息,以及如何构造故障判别关系是柴油机智能故障振动诊断技术研究的核心工作。目前对发动机工作状态的监测的手段包括性能参数监测、振动噪声监测以及油液分析技术等。然而单个的监测手段缺乏对多源多维信息的协同处理和综合利用,因而在准确性、可靠性和实用性等方面存在着不同程度的缺陷。本文提出采用信息融合技术,将发动机的性能参数、振动噪声参数以及油液分析参数等多维信息进行融合,并进行相应的处理,以便更准确、可靠地掌握军车发动机技术状态。本文首先叙述了论文的研究目的和意义,综述了柴油机智能故障诊断技术的研究现状、存在问题和发展趋势,分析了柴油机智能故障诊断技术的主要研究内容;然后以康明斯柴油机状态监测整体台架实验系统为基础,对康明斯柴油发动机进行了故障诊断实验测试系统的理论设计研究,具体设计并实施了康明斯柴油发动机的测试实验,采集了大量的测试数据;其次在实验数据分析的基础上,选择了铁谱、振动和性能参数中灵敏度高,与发动机的状态有较好对应关系的特征参数作为评判模型的各因素。确定了每个因素在综合评判中的权重,用数理统计和模糊数学理论建立了各因素对发动机不同状态的隶属函数。最终为发动机状态评判建立了基于铁谱、振动和性能参数的模糊推理综合决策的模型。用具体的数据检验了该模型的实用性及准确性。同时将神经网络理论与模糊理论相结合,应用BP神经网络改进算法以及Elman过程神经网络学习算法,进行了基于神经网络的发动机状态分类器的设计。最后,将模糊聚类分析技术与人工神经网络相结合,研究了柴油机故障模糊聚类分析诊断过程,设计了基于粗糙集理论的柴油机故障神经网络诊断系统的开发。