基于小波变换的汽车车型识别

介绍了多品种混流机器人喷漆自动线的汽车车型识别系统的一种识别方法。主要是利用小波变换具有良好的多尺度特征表达能力，以及能在空域、频域和方向上分别进行分解，而且能够去除冗余信息和噪声等优点对汽车图像进行分解。然后把分解后的图像作为多层前馈神经网络的输入节点，对自动喷漆线上的汽车车型进行识别。结果表明：基于小波变换的神经网络汽车车型识别方法，能够识别返修车，提高了车型识别率。     

基于ITS的汽车安全行驶状况在线监测系统的研究

提出基于ITS（智能交通系统）的车辆安全行驶状况在线监测系统框架，对车辆行驶中的异常现象进行实时监测。提出从之前测的汽车操纵稳定性和制动性能参数出发，对悬架、转向、制动、车轮等安全总成及其部件进行状态监测的观点。综合运用遗传算法、小波变换和神经网络等技术，在汽车运行中对其进行安全监测。最后借助汽车动态模拟国家重点实验室的ADSL模拟器，对研究的核心部分进行试验验证，结果表明本文提出的监测方案是可行的。     

基于小滤变换和神经网络的汽车安全部件故障识别

汽车安全部件的工作状态直接影响汽四的安全行驶，运用小滤变换理论对汽四在不同部件参数作用下的运动参量进行小波分解。提取相关低频信号和车辆动万言书评批标作为汽四运动的牲值，结合神经网络技术进行了部分安全部件的故障状态识别。     

基于时序模型和模糊逻辑的汽车安全部件故障识别

汽车安全部件的工作状态直接影响汽车的安全行驶，文章运用时序模型对汽车在不同部件参数作用下的运动参量提取征兆量，结合模糊逻辑技术进行了部分安全部件的故障状态识别，取得了满意的效果。     

四滚柱式超越离合器故障的小波变换诊断方法研究

介绍了利用小波变换方法诊断四滚定向离合器故障的新方法，并应用基于高新函数的小波快速算法分离出了故障信号，进一步分析了冲击频率。实验结果表明，方法行之有效。     

基于尺度—小波能量谱和神经网络的内燃机故障诊断

为了对内燃机气门及活塞—连杆组故障进行有效地诊断,通过试验测取内燃机在不同故障下的振动信号,利用连续小波变换得到信号在不同尺度上的能量分布,即信号的尺度—小波能量谱。其能量主要分布于尺度范围1~32,且相同故障模式下的尺度—小波能量谱呈现出相似性,不同故障模式之间的尺度—小波能量谱存在很大的差异性,以此作为不同故障模式的信号特征,结合BP神经网络方法,实现了对待检信号的正确识别。     

基于小波变换方法的汽车碰撞信号分析

研究实车碰撞试验采集的非线性、非平稳信号的处理方法,并进行多分辨率的时频分析。利用小波变换理论,对复杂的瞬态非平稳碰撞信号进行分辨率自适应分析和时频定位,表达碰撞信号的局部特征及变化趋势,发现其内在的本质和规律性。经过对汽车碰撞的原始信号进行db4小波变换,得出特征信号的趋势曲线和系列细节曲线,时频定位的逻辑关系清楚,对分析碰撞过程的时序以及碰撞过程发生的事件具有很好的指导作用。     

小波变换在车辆噪声源识别中的应用

利用三级小波包分解，获取信号能量分布的特征向量，根据信号能量分布的特征向量相关系数，确定两种信号相关程度，给出了识别不同信号的识别方法，试验表明，该方法用于车辆噪声、振动源识别比传统的分析方法更为简单、有效。     

Haar小波变换在变速器齿轮故障诊断中的应用

推导和证明了Haar小波连续小波变换时间和尺度的周期性，指出这种周期性可以提取出信号中的周期成分，并且使谐波和冲击信号在时间-尺度域中有不同的图形特征。因此根据这些特性可以识别齿轮裂纹产生的冲击和刚度变化，仿真和汽车变速器齿轮故障分析验证了Haar小波变换的有效性和实用性。     

基于小波变换的爆胎识别方案

针对爆胎识别这一问题,采用小波多分辨率分析技术,设计了一种爆胎识别新方案.通过模拟爆胎试验发现.该方案对爆胎时流通截面积以及不同的轮胎压力不敏感.能够准确判断爆胎发生.该方案的技术优势得益于小波分析技术无需事先对数据进行建模的特点,能准确寻找信号突变点,使得所设计的爆胎识别方案具有较强的适应能力.     

基于小波神经网络的电源车故障诊断研究

简要介绍了小波神经网络理论,在分析某武器系统电源车模型的基础上,运用小波神经网络理论,构建小波神经网络,再进行网络训练与测试。算例结果表明,本方法可提高故障诊断的效率和准确性,对电源车的故障诊断具有重要意义。     

基于小波神经网络的路面破损识别

结合图象处理、模式识别等先进技术开发路面破损自动检测系统已经成为本领域的研究热点[1-5]。本主要研究了小波神经网络在路面破损识别中的应用，并与传统的BP神经网络作了对比。试验结果表明．在相同的训练样本情况下，小波神经网络的精度高于BP神经网络一为开发更为高效的路面破损自动检测系统提供新的思路。     

基于神经网络的汽车故障诊断专家系统开发中的问题研究

针对基于神经网络技术的汽车故障诊断专家系统开发中的问题进行深入研究，解决系统开发中的几个实际问题，提出一些新的理论与方法。     

基于神经网络的汽车超载识别

载重不同的汽车以不同的速度驶过载重仪的受荷板时，对受荷板的冲击不同，因而安装在受荷板下的传感器的输出信号也不同。提取这一信号的四种特征值作为神经网络的输入值，对驶过载重仪的汽车是否超载进行识别。通过实验，验证了该方法的可行性。     

基于小波变换和ARIMA模型的桥梁健康监测数据分析

为了对桥梁健康监测系统采集的海量数据进行深入挖掘,使其在结构评估中效用最大化,将监测数据视为一维信号,以小波变换、时间序列分析为工具,对某四跨连续刚构桥挠度监测数据进行了分析,研究探讨了该方法对于监测数据分析的适用性。对于监测数据进行离散小波变换,根据小波变换系数分析得出了结构监测数据的发展趋势,同时可过滤掉数据信号中已缺失细节信息的系数,重构信号,对该重构信号进行时间序列分析,采用最小二乘法进行参数估计,建立了重构信号的ARIMA预测模型,成功对某大桥某时刻后未来一定时间的挠度进行了预测。研究结果可以预测桥梁结构在未来某周期内的运营状态信息,对于结构运营状态监测预警有积极的意义。     

汽车气压制动系统部件的故障检修

1．制动阀的常见故障诊断 双腔并列膜片式制动阀常见故障及排除方法如下：     

基于相对小波熵和神经网络的结构损伤识别

建立接触的几何非线性简支梁模型模拟损伤裂缝的开合,计算在脉冲激励作用下简支梁完好状态机损伤状态下各节点的加速度响应,分析了损伤简支梁相对于完好梁的相对小波熵,以此有效识别简支梁损伤情况及预判损伤程度;结合BP神经网络,以不同工况下对应的相对小波熵值作为输入进行训练,利用BP神经网络较强的非线性能力及容错性对损伤位置、损伤程度进行准确判断.识别结果表明了相对小波熵指标在结构损伤检测中的有效性及实用性.