FFT在发动机缸壁间隙检测中的应用

为了检测汽车发动机缸壁间隙,建立基于振动信号分析的某型发动机的测试试验系统,利用PULSE系统硬件部分采集发动机在正常工况和倒拖工况下活塞在上止点换向时的横向冲击振动信号,利用Reflex软件中的FFT变换分析采集的振动信号,绘制不同缸壁间隙时的振动信号频谱图,得到振动加速度随缸壁间隙的变化曲线。试验表明,该测试系统可在发动机不解体的情况下,根据发动机在某转速下活塞的横向冲击振动信号,估计缸壁间隙。     

基于神经网络的汽车发动机故障诊断研究

将BP神经网络应用于汽车发动机故障诊断.利用实际测试的怠速不稳故障样本训练网络并进行测试.结果证明,BP神经网络应用于汽车发动机故障诊断,效果良好,具有较高的诊断效率和准确度.     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

基于支持向量机的电控发动机故障诊断

为快速准确诊断出电控发动机故障,达到较强的故障有效识别水平,提出振动信号分析与支持向量机(support vector machine,SVM)相结合的故障诊断方法。将振动信号的偏度、峰峰值以及由小波分析理论与熵原理结合得到的小波能谱熵作为实验样本的三维特征向量,并将提取到的故障三维特征向量作为训练样本和测试样本输入到SVM模型进行训练和诊断,并利用BP神经网络进行对比验证。结果显示:采用该方法进行故障诊断时正确率达到90%,相比基于BP神经网络的故障诊断方法,基于SVM的电控发动机故障诊断方法在小样本的数据计算和预测中诊断精度较高、鲁棒性较强。     

基于遗传BP神经网络的电控发动机故障诊断研究

为提高发动机故障诊断的正确率与精确度,提出遗传算法和BP神经网络相结合的故障诊断模型。将发动机部分尾气信息和传感器数据作为BP神经网络诊断模型的输入变量,利用遗传算法的全局搜索能力优化BP神经网络的初始权值和阈值,采用优化后的BP神经网络建立发动机故障的诊断模型。实验结果表明该诊断模型可提高发动机故障诊断的正确率。     

基于BP神经网络的轮胎花纹沟槽识别

针对传统轮胎花纹沟槽识别算法存在数据特征提取困难、数理运算步骤复杂等问题,基于BP神经网络对生成的不同沟槽类型的轮胎胎冠线数据集进行反复训练,得到BP神经网络轮胎花纹沟槽识别模型。将轮胎胎冠线数据集随机划分为训练集、验证集和测试集,通过试验验证BP神经网络识别模型对轮胎花纹沟槽的识别性能,由混淆矩阵得到模型的正确识别率为94.9%。从3、4沟槽轮胎中获取实际胎冠线样本数据测试BP神经网络识别模型的实际识别效果,6条胎冠线上的花纹沟槽数量全部识别正确。基于BP神经网络识别轮胎花纹沟槽数量具有可行性。     

基于神经网络的斜拉索损伤识别研究

以一模型桥为背景,探讨了斜拉索损伤定位以及损伤程度确定的方法.基于ANSYS有限元模型,采用RBF网络,模拟了斜拉索的损伤情况.以不同损伤程度下自振频率和局部模态作为神经网络的训练与测试输入样本,由神经网络的输出来指示损伤位置和损伤程度,并与BP神经网络的识别效果进行比较.     

基于神经网络方法的柴油机气缸压力识别

分析了柴油机气缸盖系统激励和响应信号的非线性特性,阐述了基于BP神经网络的柴油机气缸压力识别方法.对测试的振动响应信号进行时域统计平均和低通滤波后,训练BP神经网络,利用自适应梯度下降算法,自适应调节学习速率,提高网络精度,识别柴油机气缸压力.结果表明,恢复出来的缸内压力信号和实测信号十分接近,该方法对柴油机的实时在线控制、监测和故障诊断有重要的应用价值.     

基于形态学分形维数的输电线路故障选相方法

输电线路故障信号是一种典型的非线性信号,分形几何理论为描述非线性故障信号的特性提供了一个有力的分析工具。针对传统分形维数的局限性,本文提出了一种基于局域均值分解（local mean decomposition,LMD）-形态学的分形维数-Elman神经网络的输电线路故障选相新方法。该方法通过对故障电流进行相模转换后,对单一线模分量进行LMD分解得到若干乘积函数（product function,PF）分量,然后选取前4个PF分量进行数学形态学的分形维数估计,最后形成特征向量作为Elman神经网络的输入参数。仿真试验表明：提出的故障分类识别方法能快速、准确地识别各类故障,并且不易受故障初始角、故障位置和过渡电阻的影响,与传统的BP神经网络相比,Elman神经网络具有更好的效果,为准确判断输电线路故障选相提供了一种快速有效的新方法。     

基于BP神经网络的手写体数字识别系统

针对传统的数字识别方法的复杂性和局限性，提出了基于BP神经网络的手体数字识别系统，通过对样本抽取特征向量，并在选取了足够的样本对BP神经网络进行训练，将代表手写数字存储的样本输入给训练好的神经网络，可以根据神经网络的输出得到识别的数字，仿真结果表明手写体数字识别系统是非常有效的。