【摘 要】
:
针对发动机的失火故障,提出了一种基于卷积神经网络(CNN)的失火诊断方法,构建了基于STM32单片机的柴油机失火故障实时诊断系统.通过STM32CubeMX软件将柴油机失火故障诊断的卷积神经网络写入到单片机中,在试验过程中利用单片机的定时器输入捕获功能采集柴油机的转速信号,且将上止点信号作为转速采集的触发信号,将采集到的转速进行预处理作为卷积神经网络的输入.通过柴油机台架试验证明,所建立的柴油机失火实时诊断系统在较宽的转速与负荷工况下有较高的诊断准确率.
【机 构】
:
天津大学内燃机燃烧学国家重点实验室,天津300072;潍柴动力股份有限公司,山东潍坊261041
论文部分内容阅读
针对发动机的失火故障,提出了一种基于卷积神经网络(CNN)的失火诊断方法,构建了基于STM32单片机的柴油机失火故障实时诊断系统.通过STM32CubeMX软件将柴油机失火故障诊断的卷积神经网络写入到单片机中,在试验过程中利用单片机的定时器输入捕获功能采集柴油机的转速信号,且将上止点信号作为转速采集的触发信号,将采集到的转速进行预处理作为卷积神经网络的输入.通过柴油机台架试验证明,所建立的柴油机失火实时诊断系统在较宽的转速与负荷工况下有较高的诊断准确率.
其他文献
为提高滚珠丝杠副的定位精度,提出了一种复合载荷作用下考虑滚珠几何误差的双螺母滚珠丝杠副载荷分布模型,分析了在不同轴向载荷和径向载荷复合作用下所有滚珠接触载荷分布状况,在此基础上分析了滚珠几何误差对滚珠动静态接触载荷分布的影响.仿真分析结果表明:本文提出的载荷分布模型对提高滚珠丝杠副的位置精度预测及其定位误差补偿有较好的参考意义.
为充分利用信号的时序相关性特征,增强模型对数据信息的全面挖掘能力,以进一步提高卷积神经网络(CNN)诊断精度,本文将CNN与善于处理数据时序相关性特征的门控循环单元(GRU)相结合,提出了一种新的齿轮箱故障诊断模型.CNN通过端对端的方式提取数据空间特征,并将提取的特征作为GRU的输入进一步提取时空特征,最后将GRU提取的时空特征作为SoftMax的输入进行故障识别.两组齿轮箱实验数据分析结果显示:平均故障诊断精度分别可达99.86%和99.85%,与其它现有模型的结果对比体现了本文模型的有效性和优越性.
为合理预测考虑适用性的大跨桥梁主梁动态可靠性,利用主梁控制监测点的动态极值挠度信息,建立了多维Gaussian Copula技术、多变量贝叶斯动态线性模型(MBDLM)以及一次二阶矩(FOSM)方法相融合地考虑控制点变形失效非线性相关的大跨桥梁主梁体系动态可靠性预测方法.采用某大跨桥梁主梁3个控制监测点的动态监测极值挠度数据进行验证分析,研究表明:考虑适用性的控制监测点变形失效非线性相关的主梁动态可靠性预测值较不考虑控制监测点变形失效非线性相关性所得结果大,说明不考虑失效动态非线性相关性所得结果偏保守.
为了提高识别蛋白质-ATP结合位点预测精度,提出了基于Inception架构的深度网络模型Inception_base,同时对网络模型和训练策略进行优化和改进,提出了新的网络模型Inception_ evolution.通过两组数据集在该模型上测试,获得AUC分别为0.885和0.918,均优于其他对比机器学习方法.实验结果表明,深度学习方法可以应用于蛋白质-ATP结合位点预测问题中,该模型能够更精确预测蛋白质-ATP结合位点.
在考虑刀具误差和本身尺寸误差导致加工后零件尺寸精度预测不符合实际使用要求情况的基础上,提出了一种耦合模糊区间和模糊权重的隶属函数模型,该模型考虑了加工过程中各种影响因素占比非固定的情况,还动态表征了多种影响因素在加工过程的贡献变化情况.此外,实际零件加工尺寸的大小多为模糊值,本文将零件尺寸视为一种可能性分布并结合模糊隶属函数构造了新的可靠性预测模型.将预测值与实验数据对比后发现,加工精度可靠性分析的准确度得到显著提升.
针对现有数控机床故障模式影响及危害分析(FMECA)中分析因素少、未考虑因素间相互影响、各因素权重相同等问题,将网络层次分析法(ANP)和数据包络分析OCD模型应用于数控机床使用阶段FMECA的研究,以各因素打分作为输入指标,以经济损失作为输出指标建立OCD模型,并得到各故障模式的效率值,进而提出一种计算风险优先数RPN的新方法,根据(RPN)值得到故障模式的危害度排序.以某型数控机床为例,应用该方法对其进行故障模式影响及危害性分析,验证了该方法的有效性.
针对大规模多输入多输出正交频分复用系统复杂度高的问题,提出一种低复杂度维纳滤波信道估计算法.首先将大维度原位替换方法运用于最小均方误差算法,有效降低了多天线的运算复杂度,通过将二维维纳滤波拆分成时域和频域两次一维维纳滤波来减少运算量;同时,为了降低由两次维纳滤波噪声方差不同产生的估计误差,引入噪声方差中位值进行修正.仿真结果表明,与多种传统算法相比,本文算法运算量至少降低了20%,误码率至少降低了9%.
针对传统故障诊断模型参数多,训练、检测时间长,抗噪性差,不适用于在线实时诊断的问题,提出了基于残差连接和一维可分离卷积(1D-RSCNN)的滚动轴承故障诊断方法,构建了由Jetson Nano和信号采集电路组成的嵌入式系统.利用一维可分离卷积和全局平均池化对模型尺寸进行压缩,改善传统卷积的运算效率;通过宽卷积核,残差网络中引入Dropout提高对噪声的容忍度.试验结果表明,该方法诊断准确率高达99.92%,与其他模型相比,诊断精度高,实时性好,抗干扰能力强,适用于电机轴承故障的实时检测.
针对传统均匀圆形阵列孔径受限的问题,设计了一种互质圆形阵列,并在此基础上,研究了一种基于相位模式激励的二维波达方向估计方法.首先利用两个均匀圆形子阵列进行堆叠形成互质圆形阵列结构.然后,基于相位模式变换算法将元素空间问题转化到波束空间,将互质圆形阵列合成类似于ULA的范德蒙结构且中心埃尔米特对称的阵列流型,减小谱峰搜索维度.最后,通过酉变换实现阵列流型的实数化,降低算法复杂度.理论分析和仿真实验表明:在相同条件下,相比于均匀圆形阵列MUSIC算法,所提互质圆形阵列相位模式激励MUSIC算法的运行时间从1.
目前,针对薄壁件铣削加工过程中的颤振识别问题,普遍采用传感器信号进行判别与预测,而没有建立颤振特征与加工表面的相关联系.本文利用图像处理与模式识别技术,通过铣削表面图像实现薄壁件加工状态的精确辨识与预测.首先,设计了混合滤波方案,实现了采集图像的预处理;然后,通过改进的局部二值模式和灰度共生矩阵提取图像的颤振纹理特征,并以K近邻分类算法对铣削加工过程中采集的图像进行预测和识别.实验结果表明:该模型辨识的准确率为95.5%,算法平均运行时间为0.069 s.实验结果验证了该方法具有较高的辨识准确率,同时满足