基于虚拟仪器技术的声强法识别拖拉机噪声源

识别拖拉机主要噪声源是解决拖拉机噪声问题的首要条件,利用声强法能有效地识别拖拉机主要噪声源。基于虚拟仪器LabVIEW,建立了一套神牛SN250拖拉机噪声信号测试系统,可对拖拉机噪声信号进行测定,并利用声强方法进行噪声频谱分析和声源识别,以分析拖拉机的主要噪声来源。结果表明：所建立的测试系统可满足工程精度要求,能有效识别拖拉机主要噪声来源;排气噪声、发动机散热风扇噪声及发动机机罩振动噪声为拖拉机主要噪声源,声强级分别为106dB、104dB、104dB;排气噪声是驾驶室内主要噪声来源。因此,解决该拖拉机噪声问题须首先降低排气噪声、发动机散热风扇噪声和发动机机罩振动噪声。     

基于有限脉冲反应和径向基神经网络的触电信号识别

针对农村低压电网剩余电流保护与动作技术中,如何检测总泄漏电流中人体触电支路电流的难题,该文利用严格线性相位与任意幅度特性的FIR（finite impulse response）数字滤波技术和具有自适应性与最佳逼近特性的RBF（radial basis function）神经网络有机结合,提出一种基于FIR数字滤波的RBF神经网络作为触电电流信号的检测方法。首先,采用FIR数字滤波器选定合适的窗函数和滤波阶数,对触电试验获得的总泄漏电流及触电电流进行滤波预处理;然后,将预处理后的信号波形作为样本集,选定适合的RBF函数,建立从总泄漏电流中提取触电电流波形的3层RBF神经网络模型。仿真试验结果表明：该方法速度快且稳定,检测值与实际值的平均相对误差为3.76%,具有良好的适应性和实用性,对于研制新一代剩余电流保护动作装置具有重要意义。     

基于小波包变换和量子神经网络的触电故障类型识别模型

针对农村低压电网中广泛应用的剩余电流保护装置,只能检测到剩余电流有效值的大小作为唯一动作判据,不能自动识别剩余电流与触电故障类型之间所具有的非线性映射规律的难题,提出了一种基于小波包变换和量子神经网络的触电故障类型识别模型。首先应用小波包变换明确了生物体触电故障时,剩余电流中312.475 Hz以下低频带的能量谱波动明显,其中39.062 5~78.125 Hz和119.2~156.25 Hz两频带的波动幅度达9.05和9.00,提取了剩余电流的小波包能量谱8维度特征向量,同时应用特征频带能量占有比之差的平均变化率,实现了生物体发生触电故障的准确检测。然后以小波包能量特征向量为有效信息源,利用量子计算的态叠加思想和神经网络计算的自适应性结合,建立了一种量子神经网络作为触电故障类型识别模型,该网络采用多个量子能级的量子神经元,在学习1 437次时误差精度达到0.000 998 92,快速高效地实现了触电故障类型的识别,其仿真试验准确率达100%。该研究对于研发新一代基于生物体触电电流分量动作的自适应型剩余电流保护装置具有重要的参考价值。     

基于无刷直流电机的风力机转矩模拟

针对风力发电技术的研究受到自然条件制约的问题,该文提出了一种新的利用无刷直流电机来代替风力机的模拟方案,通过控制无刷电机直流侧电流的方式实现转矩控制,电流环采用径向基函数神经网络与PI调节相结合的控制策略。利用Matlab/Simulink建立系统仿真模型,并搭建了基于DSP控制的无刷直流电机+永磁发电机的硬件平台,仿真和试验结果都与理论转矩相吻合,并有效降低了无刷电机的转矩脉动。该方法控制简单、精度高,为实际模拟系统的设计提供了一种新的思路。