基于BP神经网络的汽车发动机故障诊断方法研究

介绍了BP神经网络学习算法,建立了汽车发动机振动测试系统,在对发动机振动数据进行分析处理的基础上,获取了学习样本的输入向量与目标向量,应用BP网络学习算法对新构的网络进行训练,建立了一种发动机机械故障诊断的新方法,实例分析结果表明,这种新方法是可行的。     

信息融合技术在发动机故障诊断中的应用

提出了在发动机故障诊断中采用基于信息融合技术的识别方法,采用此方法能够减少故障诊断过程中的不确定性,并在实际应用中证明了其有效性。     

基于信息融合的发动机远程故障诊断模式

结合信息融合及网络技术,建立一种新的发动机远程故障诊断模式;提出了系统的基本结构,对数据采集与预处理系统、远程信息融合中心等进行了研究与分析;介绍了系统的维护、开发及安全性等技术,为发动机远程故障诊断系统的开发与建立提供了新的思路。     

基于粗糙集与BP神经网络的发动机故障诊断模型

结合粗糙集理论和神经网络在信息处理方面的优势,建立了一个基于粗糙集理论和BP神经网络相结合的发动机失火故障诊断模型。通过对EQ6102型发动机的实际试验表明,模型简化了网络训练样本,优化了神经网络结构,提高了系统运行效率。     

基于神经网络的发动机故障诊断模型研究

提出了一种基于神经网络的发动机故障诊断模型，它可以克服传统专家系统故障诊断时存在的某些缺陷，研制了一套神经网络故障诊断器，通过实验证明其可用于发动机故障诊断。     

基于BP神经网络的汽车发动机异响故障分析法

针对汽车发动机异响故障诊断中存在的问题,研究了应用人工神经网络进行异响故障诊断的分析方法。在介绍神经网络基本原理的基础上,以BP网络构造发动机异响故障诊断模型,并将C语言编程模拟故障分析方法应用于具体的发动机异响故障诊断。结果表明,其方法具有通用性、高效性、合理性。     

基于特征融合技术的发动机故障诊断

为了提高发动机的故障识别率,设计了一种将B&B算法与广义辨别分析（GDA）相结合的多类特征融合方法。从发动机转子的振动信号中提取出频谱特征集和纹理特征集,用B&B算法删去2类特征集中信息量少的特征,并用GDA和支持向量机（SVM）分类器进行特征融合和分类识别。发动机的转子故障试验结果表明,该方法获得的融合特征包含有更多的类别信息,用于转子故障获得的识别率为98.21%,且不受分类器核参数的影响;而频谱特征、纹理特征输入SVM分类器后获得的故障识别率仅为92.86%和89.29%。该研究为发动机的故障诊断提     

基于BP神经网络的电控柴油机故障诊断

运用了优化算法的BP神经网络设计高压共轨式电控柴油机的故障诊断系统,以高压共轨式电控发动机的传感器数值作为BP网络的输入,把发动机的故障状态作为BP网络的输出,以此来对电控柴油机进行实时的故障诊断.将诊断结果与实测结果进行比较后,证明此方法是可行的.     

神经网络及小波分析法在汽车发动机故障诊断中的应用研究

汽车发动机在使用过程中会出现一些故障,轻者会影响汽车安全运行,重者会导致交通事故,甚至人的生命安全。运用BP神经网络与小波分析法两种运算相结合的模式对发动机故障进行诊断,选择使用时间3年以上的汽车发动机进行实验,分别采集发动机在正常工作、进气管堵塞两种情况下的振动信号进行分析研究,确定了发动机故障的具体位置及严重程度,建立了波信号与发动机故障之间的规律,为汽车发动机故障诊断技术提供了借鉴。     

神经网络技术用于发动机故障诊断的研究

结合专家系统与模糊神经网络两种人工智能技术,通过对汽车发动机废气中ＨＣ、ＣＯ、ＣＯ２和Ｏ２含量的分析进行故障推理和诊断。专家系统与神经网络主要采用串型连接,由神经网络模块进行故障分类,再经专家系统给出解释并进一步推理,得到具体的诊断结果,从而实现发动机常见故障的快速、准确和智能化的诊断。     

基于傅立叶变换的发动机缺缸故障检测

对发动机缺缸故障的诊断进行了研究,通过利用傅立叶变换对正常状态和缺缸状态下发动机的声音信号进行处理和分析,提取出发动机缺缸的故障特征.并用检测实例进行了验证;结果表明缺缸故障可以准确判定,这为分析发动机缺缸故障提供了一种有效的方法.     

粮情测控系统中多传感器信息融合技术的应用

为了保证储粮安全,需要严格控制的温度、水分、湿度和害虫等内部与外部因素。将信息融合技术应用于粮情测控系统,把多个异质传感器提供的数据进行融合处理,以提高目标参量测量的准确度和稳定性,提出一种基于多参数的两级信息融合方法。首先,通过分布图及自适应加权方法对粮情数据进行初次融合;然后,通过BP神经网络对其融合结果进行处理。该方法能够实现对同质数据的优化处理,并从整体上考虑了异质数据的互补性,提高了测控系统的可靠性。     

基于人工智能的农用拖拉机发动机故障快速诊断研究

为了达到拖拉机发动机不解体故障诊断的目的,提高诊断效率,利用发动机缸盖的振动信号的采集原理,提出了一种基于神经网络的人工智能故障检测方法,并构建了拖拉机发动机振动信号采集系统。基于人工智能的拖拉机发动机故障诊断系统,综合运用信号采集技术、信号处理技术、数据库技术、神经网络技术和人工智能专家系统,实现了和数据库及具有强大信号分析的处理功能,提高了系统的诊断实时性和诊断精度。最后,采用田间试验方法,对拖拉机故障快速诊断系统进行了试验验证。试验结果表明:采用人工智能诊断方法不仅可以有效提高系统的准确率,而且诊断系统的响应更加迅速,并且曝晒、震动、灰尘等恶劣的现场环境中仍能保持正常工作的稳定性。     

基于RBF神经网络的农用柴油机故障诊断研究

柴油机以其良好的动力性、可靠性、经济性在农用机械中广泛应用,但对农用柴油机施行及时的不解体故障诊断却并非易事。为此,以配气机构故障为例,提出了将小波包分解与RBF神经网络结合的故障诊断方法,对降噪后的气缸盖振动信号进行小波包分解,构造故障特征向量作为故障样本,并用训练好的RBF神经网络进行模式识别。试验结果证明,该方法具有良好的诊断效果和广泛的工程应用前景。     

基于数据融合与专家系统的发动机故障诊断系统

提出了数据融合与专家系统相结合的汽车发动机故障诊断技术，其基本思路是：首先对来自发动机的多源信息进行预处理与特征提取，并通过数据融合计算获取发动机故障的初步结论；然后采用专家决策系统对此诊断结论进行反向推理求证，从而确保诊断结果的精确性与可靠性。为此，给出了系统的基本结构，并对数据采集与处理系统、数据融合技术以及专家决策系统进行了分析，为现代发动机故障诊断系统的建立提供了新的思路。     

基于多征兆信息融合理论的柴油机故障诊断

信息融合理论在故障诊断领域中得到广泛应用，为复杂机械故障诊断提供了一种新的方法。在研究了多传感器决策层融合理论——Dempster—shafer证据理论及其算法的基础上，提出了一种基于多征兆信息融合理论的故障诊断方法。以柴油机活塞和缸套之间的磨损为例，论述了该方法的实施过程。结果表明，多征兆信息的信息融合诊断方法具有良好的稳定性和容错性，提高了柴油机故障诊断的准确性和可靠性。     

基于差分进化算法优化的RBF神经网络的发动机故障诊断研究

在RBF神经网络中采用差分进化算法来优化RBF神经网络的模型结构,并对其重要参数进行全局寻优。实例仿真结果表明,经过差分算法优化的RBF神经网络不仅相对BP网络学习收敛速度更快,而且提高了发动机故障识别的精确度,从而验证了此种方法的正确性和有效性。