【摘 要】
:
随着基础建设行业的快速发展,工程车的需求量逐年增加。由于发动机电控单元(Engine Electronic Control Unit,EECU)长期处于震荡剧烈、高温及电磁干扰等恶劣工作环境中,导致其故障频发。激励信号是保障EECU正常启动和运行的关键,其具有种类繁多、特征复杂的特性,从而导致其识别困难,降低了 EECU故障诊断效率。由于曲轴、凸轮轴所产生的激励信号特征最为复杂多样并且在电控系统中
论文部分内容阅读
随着基础建设行业的快速发展,工程车的需求量逐年增加。由于发动机电控单元(Engine Electronic Control Unit,EECU)长期处于震荡剧烈、高温及电磁干扰等恶劣工作环境中,导致其故障频发。激励信号是保障EECU正常启动和运行的关键,其具有种类繁多、特征复杂的特性,从而导致其识别困难,降低了 EECU故障诊断效率。由于曲轴、凸轮轴所产生的激励信号特征最为复杂多样并且在电控系统中起着至关重要的地位。因此针对上述问题,本文主要以曲轴、凸轮轴传感器作为研究对象,对其产生的激励信号进行识别分类研究:1.针对EECU激励信号存在特征复杂、提取困难且识别精度低等问题,本文设计了一种基于卷积神经网络的多标签EECU激励信号分类方法(Multi-label EECU Excitation Signal Classification based on Convolutional Neural Network,EESC-MLCNN)。首先对激励信号的工作原理进行了分析,在原始数据中提取出层次特征。其次,通过叠加多个非线性变换层、Sigmoid激活输出以及二值交叉熵(Binary Cross-Entropy)损失函数,构造了一种新的CNN网络对信号特征进行多标签分类。最后,采用实车数据和仿真数据相结合的方式来弥补训练数据集匮乏的缺陷,利用EESC-MLCNN进行多标签特征识别分类。在EECU激励信号检测的实验研究中,对所提出的EESC-MLCNN方法与MLKNN、MLDT等算法进行对比评估。实验结果表明,基于曲轴激励信号数据集对比算法精度在区间73.8%~87%内,本文所提出的EESC-MLCNN方法平均识别精度为88.3%;基于凸轮轴激励信号数据集对比算法精度在区间68.3%~87%内,本文所提出的EESC-MLCNN方法平均识别精度为91.4%。EESC-MLCNN较对比算法均有所提升。2.针对激励信号中的曲轴和凸轮轴信号同步特征不明显、从而导致检测困难的问题,本文提出了一种基于1DCNN网络模型的同步信号分类方法(Synchronization Signal Classification based on One-dimensional Convolutional Neural Network,SSC-1DCNN)。首先,本文提出了一种基于理论-实际误差检测的同步信号识别算法。通过分析曲轴和凸轮轴信号的特征参数得出信号的理论同步偏移值。根据传感器的类型,采用波峰二阶差分识别算法得出信号的实际同步偏移值。若两者偏移的差值满足一定的误差范围,则为同步信号。然后,自动为激励信号数据打上同步偏移量的标签,并放入SSC-1DCNN网络模型中进行训练并自适应地提取同步特征。最后,将网络训练好的最优模型对激励信号测试集进行验证。本文所提出的SSC-1DCNN方法与LTSM、GRU和随机森林RF算法进行对比评估。实验结果表明,LTSM在同步信号训练集上的平均识别精度为96%,GRU的平均识别精度为97%,RF算法的平均识别精度为99%,而本文所提的EESC-MLCNN方法的平均识别精度为100%,与上述模型相比,网络的识别分类能力更强。3.结合上述两种算法,本文研发了基于QT框架的EECU激励信号分类可视化系统。该系统主要包括多标签激励信号识别分类、曲轴和凸轮轴信号同步判别等功能。实验结果表明,本文开发的系统能够准确提取EECU激励信号的特征并判别曲轴和凸轮轴信号是否同步,方便用户识别激励信号的特征和同步故障信息。
其他文献
在我国,道路交通事故时有发生,其中一个重要原因就是疲劳驾驶。所以,准确地进行疲劳检测是非常有必要的。在现有的疲劳检测方法中,利用基于生理参数和车辆运动特征进行的检测普遍存在成本高、实时性差和抗干扰能力低等问题。因此,本文采用一种基于面部特征的方法研究疲劳检测问题,该方法将疲劳检测流程分为人脸检测、疲劳特征提取与识别、疲劳状态判别三个步骤,具体工作如下:首先,优化了MTCNN人脸检测算法。对图像预处
随着深度学习技术的快速发展,大量基于深度学习的单视图三维重建方法不断涌现,这些方法在3D打印、自动驾驶、虚拟现实和增强现实等各个领域获得了广泛的应用,实现高质量重建的单视图三维物体重建算法对于图像理解和计算机视觉领域来说有其重要的研究价值和广阔的发展前景。已有的大部分方法难以有效地重建具有复杂拓扑结构的物体形状,导致重建的结果拓扑结构不完整和局部细节缺失。此外,这些方法较多的关注目标物体的整体形状
3D人脸重建和稠密对齐任务是计算机视觉领域的一个重要分支,通过对人脸的五官信息和轮廓细节信息的分析,神经网络可以学习其内在丰富的上下文语义信息,从而做出精确的预测。基于单张图像的3D人脸重建与稠密对齐是计算机视觉领域的一项挑战性任务,当前大部分3D人脸重建与稠密对齐任务在学习过程中缺乏从几何角度考虑人脸结构特征的相关性,使得神经网络在大姿态、强光照以及遮挡等复杂条件下很难恢复出精细的人脸重建结果与
近年来,深度学习技术在很多领域取得了突出成就。其中,图像分类作为其他视觉任务的基础,更是在各行各业中取得了广泛的应用。深度学习技术通常需要依靠大量的标注数据,但是在很多状况下受各方面的制约,标注数据很少。为了适应这种情况,小样本学习应运而生,成为深度学习技术的一大分支。由于标注数据少,在小样本学习过程中通常会发生过拟合的问题,而将先验规则加入深度学习模型,能够增强模型的泛化能力,提高分类精度。此外
随着科学技术的飞速发展,学者们所研究的被控系统的结构越来越复杂、规模越来越庞大,传统的确定性系统的控制理论已趋于完善.近年来,含有噪声或不确定性的随机模型是当前控制领域的研究热点之一.噪声的存在改变原系统的动力学特征,降低了系统的控制性能,甚至破坏系统的稳定性.因此随机系统的稳定性研究具有重要的理论意义和实际需要.此外,时滞、外部干扰、不确定性在实际系统中广泛存在,这些元素的存在往往会影响系统的稳
随着医学成像技术和计算机技术的不断发展,计算机辅助诊断逐渐成为临床上辅助医生的主要工具。近年来,全球脑肿瘤病人持续增加,产生大量MRI图像,使得影像科医生不得不高负荷工作。因此,迫切需要精准的脑肿瘤图像自动分割技术辅助医生工作。基于深度学习的方法已经快速发展为医学图像分割领域的研究热点,它可以在医疗图像大数据分析中自动学习隐含的疾病特性信息。脑肿瘤图像具有语义简单、三维结构等特点。而深度学习中的V
知识图谱是现代人工智能的核心基础设施,随着人工智能的迅速发展,各种知识图谱被构建出来。与此同时,由于存在着难以去除的噪声与错误等不确定因素,使得知识表达难以完备化,知识图谱中出现了不确定信息。传统的知识图谱表示学习方法不能满足不确定知识图谱的表示及应用需求。因此,带有不确定信息的知识表示学习成为一项紧迫又富有挑战的任务。论文从不确定性知识图谱表示学习模型入手,通过对不确定知识图谱表示学习模型中的得
随着遥感卫星技术的发展,遥感影像空间分辨率可达亚米级。与中低空间分辨率卫星影像相比,高空间分辨率卫星影像具有更丰富的空间细节信息,能够精细呈现出地物的颜色、形状、边缘等。基于像素级或目标级的遥感影像解译方法不能有效提取遥感影像的高层语义信息,场景分类方法能够建模并解译以语义目标构成下复杂空间分布的高层语义信息,可解决遥感影像解译中的“语义鸿沟”问题。目前场景分类方法主要是基于深度学习技术,通过数据
水稻是我国重要的粮食作物,其产量一直受到病害的制约,对水稻病害的类型进行快速、准确的识别尤为重要。传统的识别以肉眼观察为主,具有一定的主观性,且需要深入到稻田实地观察,耗时、耗力,不能满足水稻病害识别实时性的需求。近年来,深度学习技术发展迅速,如何将深度学习应用于农作物病害识别领域已经成为了 一个研究热点。本文以目标检测算法为基础,从实际的水稻病害检测的需要出发,引入深度学习技术和方法开展研究。针
社交媒体网络的崛起,使得交流可以跨越时空和地域,但也加快了谣言在社交网络中的传播,容易引发社会信任危机。因此,研究社交网络下的谣言检测方法,是净化社交网络空间的重要举措,对于解决现实社会问题具有理论价值和实践意义。相比传统的线下谣言,谣言在社交网络上传播会包含更多的附加信息,如用户特征信息、内容特征信息、评论信息等。社交网络谣言特征维度丰富(如用户特征、内容特征、传播特征等),是社交网络谣言检测的