The Application of Support Vector Machine to the Fault Identification of Vehicle Automatic Transmission

本文中提出基于支持向量机的汽车自动变速器故障识别方法.首先利用设计的虚拟测试系统采集自动变速器3种状态下的运行数据,再对数据进行整理和筛选,提取合适的数据作为训练样本,然后设计基于支持向量机的多值分类器进行故障识别,最后与基于BP人工神经网络的诊断方法进行对比.结果表明,基于支持向量机的故障识别方法具有更快的收敛速度和更强的分类能力,适用于汽车自动变速器实时故障识别和诊断.     

基于粗糙集与支持向量机的推土机故障诊断

提出了一种基于粗糙集理论和支持向量机算法的推土机发动机故障诊断方法。首先利用粗糙集理论对故障诊断决策系统进行约简,消除样本噪声和冗余,然后在此基础上设计支持向量机多分类器,进行故障检测分类。这样,可以有效减小SVM训练的数据,加快多分类器的处理速度。实验结果显示它能提高故障诊断的准确性和效率。     

基于免疫粗集属性约简的车辆故障诊断方法

针对故障诊断规则属性的复杂性,将粗糙集核属性参数的先验知识作为免疫疫苗引入抗体编码,以提高其在线学习及优化能力.将属性的分类近似质量作为适应度(目标)函数进行优化,在获取多个属性约简的同时,仍能快速地求得最小约简.把优化后的属性集作为支持向量机分类器的输入参数对故障样本进行训练与分类,提高了SVM故障诊断的能力.通过实验表明,该方法能快速、高效地对属性集进行数据压缩,有效提高了故障诊断准确率.     

小波包和SVM在发动机故障诊断中的应用

针对发动机的故障特点,提出了一种基于小波包和支持向量机(SVM)的发动机故障诊断方法。利用信号能量在小波包空间的分布特性,采用基于能量的自适应去噪方法,提取反映故障的特征向量,并基于SVM理论构建了针对发动机的多故障分类器。试验结果表明,该方法具有故障分类与识别能力。     

概率神经网络在车辆齿轮箱典型故障诊断中的应用

为提高汽车齿轮箱典型故障的诊断效率和准确性,提出一种基于概率神经网络的齿轮箱故障诊断方法。通过对某型齿轮箱的实验采集齿轮箱在正常状态、齿根裂纹和断齿状态下的振动信号,经过数据处理得到样本数据后输入概率神经网络模型,通过交叉验证并与BP神经网络对比的结果表明:概率神经网络能准确地识别出齿轮箱典型故障,且与BP神经网络相比,诊断准确率更高、诊断速度更快。     

基于支持向量机的夹紧力控制阀质量分类

提出了采用支持向量机对CVT夹紧力控制阀进行质量分类的方法.并设计了相应的提取夹紧力控制阀性能特征参数的试验方案与夹紧力控制阀SVM多类分类器.利用试验得到的性能参数对SVM分类器进行训练,然后分别使用训练成熟的SVM分类器与RBF神经网络分类器对夹紧力控制阀进行质量分类.结果表明,采用SVM分类器的分类准确率明显高于RBF神经网络分类器.     

基于复调制细化包络谱和SVM的变速器齿轮故障诊断研究EI北大核心CSCD

针对变速器故障齿轮振动信号特征和在现实条件下难以获得大量故障样本的实际情况,提出一种复调制细化包络谱和支持向量机相结合的故障诊断方法。通过变速器齿轮故障模拟试验模拟齿轮磨损故障,采用Hilbert变换对齿轮振动信号进行解调得到振动信号的包络,对包络信号进行复调制细化谱分析,提取齿轮轴转频基波及其谐波幅值。分析发现基波及其谐波幅值随着齿轮磨损程度的增加明显增大,故将其作为支持向量机的输入特征向量,以判断齿轮故障。试验结果表明:该方法在小样本的情况下能有效地诊断齿轮故障。     

基于复调制细化包络谱和SVM的变速器齿轮故障诊断研究

针对变速器故障齿轮振动信号特征和在现实条件下难以获得大量故障样本的实际情况,提出一种复调制细化包络谱和支持向量机相结合的故障诊断方法。通过变速器齿轮故障模拟试验模拟齿轮磨损故障,采用Hilbert变换对齿轮振动信号进行解调得到振动信号的包络,对包络信号进行复调制细化谱分析,提取齿轮轴转频基波及其谐波幅值。分析发现基波及其谐波幅值随着齿轮磨损程度的增加明显增大,故将其作为支持向量机的输入特征向量,以判断齿轮故障。试验结果表明:该方法在小样本的情况下能有效地诊断齿轮故障。     

基于高清卡口系统数据的交通事故风险预测

高清卡口系统详细地记录了车辆轨迹等车流运行信息,该系统记录的高清卡口数据可以研究交通状态和潜在事故的内在机理。采用配对病例对照方法和支持向量机的方法侦测事故风险,用网格搜索法找寻支持向量机的判定函数的优化参数。结果表明,支持向量机分类器可以有效预测91.49%的事故,误报率只有2.63%,有助于对道路交通管理部门提供决策支持。     

基于多分类支持向量机和D-S证据理论的轴承故障诊断

针对支持向量机( SVM)硬判定输出分类结果缺乏定量评价的问题,提出了一种多分类SVM后验概率建模的改进方法。通过引入D-S证据理论,得到多分类SVM在D-S证据理论识别框架下的基本概率分配,使样本在分类时同时具有定性解释和定量评价。接着,将多源信息送入SVM之后在决策级对多个SVM分类输出进行证据融合,以提高诊断精度。最后,将该方法应用于轴承故障的诊断中。结果表明,该方法能正确分类采用单源信息时所错分样本,降低识别的整体误差,显著提高故障诊断的准确性。     

汽车变速器支撑力的测量研究

针对变速器支撑在试车场道路耐久试验中的失效问题,为测量变速器支撑在试验中承受的载荷,文章提出了两种测量方法,并通过实车道路测试对比这两种方法的测量结果。同时,还测量了变速器支撑在试车场滥用试验中所承受的最大载荷,为变速器支撑的优化设计提供依据。     

支持向量机在交通流量实时预测中的应用

实时、准确的交通流量预测是正在发展的智能交通系统的关键问题之一,对于交通控制和交通流诱导都有着直接的影响。提出一种基于支持向量机的交通流量实时预测模型,通过采用序贯最小优化算法,能够实现对交通流量的有效预测。应用实例表明,支持向量机具有良好的泛化性能,在输入信号混有10%噪声的情况下,支持向量机的鲁棒性更好,预测的平均误差为4.25%,预测结果优于BP神经网络和动态递归神经网络。     

基于优化支持向量机-混沌BP神经网络的基坑变形预测研究

为解决基坑变形预测精度低的问题,采用小波去噪分离基坑变形的趋势项及误差项序列,并利用多种优化的支持向量机对趋势项序列进行预测,采用混沌BP神经网络对误差项序列进行预测,将两者预测结果进行叠加即得到变形预测值,且可根据后期监测数据的更新,实时增加数据信息,达到跟踪预测的目的。经过3个实例检验,得出小波函数的去噪效果相对较优,且预测结果的相对误差均值均小于2%,验证了优化支持向量机-混沌BP神经网络模型的有效性,且该模型具有预测精度高、适用性强等优点,对掌握基坑变形的发展趋势及评价基坑的稳定性具有重要意义。     

Range Extender Module Transmission Topology Study

Range extender modules are one option to compensate for short drive ranges of electric vehicles. The close interaction of combustion engine and generator poses new challenges in development. A key requirement for range extender systems is to be light and virtually imperceptible in operation. High-speed electrical machines aim at increasing power density. However, their introduction in a range extender requires a gearbox. The combustion engine torque fluctuations can lead to rattle in the gearbox. The rattle can be overcome by a dual mass flywheel. An interdisciplinary model is developed and used to analyse three different range extender systems: one with a low speed generator without gearbox, one with a high-speed generator, and one with a high-speed generator and a dual mass flywheel. The efficiency was found to be higher for the system with a low speed generator, whereas the power density and the costs are beneficial for the high-speed concept. A dual mass flywheel eliminates the changes of torque direction in the gearbox. It reduces the speed fluctuations of the gearbox and generator by over 90 % compared to the low speed setup. But it increases rolling moment and subsequently chassis excitation compared to a setup with only a gearbox.     

CPY数字化系统项目应用探索

工业4.0时代是利用信息化技术促进产业变革的时代,也就是智能化时代。汽车工业是工业机器人应用最早,也是最为广泛的领域,汽车制造的高度自动化使得机器人越来越多。然而这些还是远远不够的,互联网时代对工业制造提出了更高的要求,工厂的自动化系统逐步升级,增加了物联网的概念,将工厂的机器以及作为主体的人类员工融入到互联网中,实现机器之间、人与机器之间的完美互动。进入到工业4.0时代之后,智能工厂开始从制造向"智造"转变,并被广泛应用于汽车行业的自动化、数字化和智能化车间,已经成为汽车智能制造的重要载体。本文对采用物联网技术的数字化系统在汽车制造工厂的应用进行讨论和探索,阐述了在智能制造的背景下,数字化系统对人员、设备、产品质量等方面的管理起到的巨大的提升作用。     

瞬态成分提取在变速器齿轮故障诊断中的应用

基于小波包的信号瞬态成分检测与提取方法及其应用，提出基于小波包分解特征表示和瞬态特征重建方法并应用于汽车变速器齿轮的故障诊断，结果表明基于小波包分解的信号特征表示方法能有效检测信号中瞬态成分的存在，瞬态成分的重建结果有效地表示了齿轮的故障状态。     

基于支持向量机的动力电池故障诊断

电池故障诊断是电池管理系统中一项十分重要的技术。针对电池故障和电池输出状态量之间不确定的关系,采用模糊逻辑可以对模糊关系进行准确描述。选用合适的隶属度函数来表示输出的电压、电流信号,用模糊数学理论表示不确定的电池故障与电池输出状态量之间的关系,生成模糊数据库,用支持向量机对数据进行训练和测试,由结果可知该方法有较高的准确性。     

基于多维信息特征分析的驾驶人认知负荷研究

准确评估驾驶人认知负荷水平，对于深入研究驾驶人行为特性，改善驾驶安全性具有重要意义。现有的驾驶人认知负荷分类方法，大多基于心电、脑电等生理信息和车辆信息，由于特征选择上的单一性，导致驾驶人认知负荷分类模型的分类精度不高。设计基于跟驰场景的不同认知负荷N-back次任务试验，通过采集受试者的生理信号和车辆信号，结合NASA_TLX主观评分和机器学习算法，提出了基于多维信息特征融合的驾驶人认知负荷分类方法。研究表明：基于生理信息和车辆信息的多维信息特征认知负荷分类方法，其精度显著高于传统的基于生理信息的认知负荷分类方法，以多维信息特征为输入，随机森林法以其稳定性好、抗过拟合能力强的特点，表现出优异的分类效果，相比神经网络和支持向量机，具有最高的平均分类精度。     

基于支持向量机的汽车爪极发电机高效电磁建模分析

在对爪极发电机电磁特性进行严格电磁仿真的基础上,基于支持向量机非参数回归建模技术建立面向计算机辅助设计的快速准确模型。通过仿真和统计检验表明,所建立的模型准确可行,并且是高效的。