基于动量BP网络的柴油机故障诊断

利用神经网络的非线性映射,及其高度的自组织和自学习能力,将改进的BP网络应用于柴油机的故障诊断。应用夹持式传感器获得柴油机喷射系统的燃油压力波形,对波形时域分析和特征提取,再根据所取得故障信息及其对应的故障类型来构造网络结构,应用附加动量的BP算法,从而实现对故障的分类。通过Matlab仿真理论表明,该方法可以有效地对故障进行识别分类。     

基于神经网络的柴油机故障诊断方法

提出了一种基于三层BP网络的柴油机故障诊断模型，给出了一种基于黄金分割法的变步长学习算法。仿真结果表明，该算法比标准BP算法具有更快的学习速度，完全适用于柴油机故障诊断系统。     

基于模式识别的传感器故障诊断

为满足模式识别故障诊断算法的鲁棒性要求,在小波包分解提取特征向量的基础上,提出了有监督模式分类与无监督模式分类相结合的故障诊断方法．利用小波包分解提取各个频带的能量作为特征向量;采用LVQ神经网络作为有监督的模式分类器进行故障诊断;运用无监督的减法聚类方法对新型故障模式进行辨识．最后,通过动力系统管路流量传感器数据对算法进行检验,验证了所提出方法的实用性和有效性．     

CP神经网络在柴油机故障诊断中的应用

对向传播(CP)神经网络具有分类快速、准确等优点。文中首先介绍了CP神经网络的算法,然后将其应用于柴油机的故障诊断中,给出了一种利用CP神经网络的故障模式识别方法。应用实例表明了它的有效性和快速性。     

船舶柴油机故障诊断仿真系统研究

该文阐述了船舶柴油机故障诊断仿真系统的模型、结构与功能,着重介绍了基于RBF神经网络故障诊断方法。本系统具有结构简单、功能齐全等优点,对开发实船柴油机故障诊断的辅助分析系统和培训轮机员熟悉处理故障有实际意义。     

基于神经网络的船用柴油机故障诊断

给出一种基于径向基函数(RBF)神经网络模型应用于船用柴油机故障诊断的方法，并以6-135ZC柴油机的故障诊断进行模拟计算和验证；结果表明，这种方法识别率很高，是切实可行的。     

柴油机故障诊断专家系统

本文讨论了柴油机故障诊断专家系统的总体结构。着重讨论其知识库结构，推理方法，利用该专家系统，装入领域知识的相应规则集，即可用于不同型号，不同用途柴油机的故障诊断，此专家系统采用C语言编写。     

模式识别在电力电子电路故障诊断中的应用

将模式识别方法用于电力电子电路的故障诊断,详细讨论了标准类型的建立方法、特征信息的获取与处理技术、规则库的建立以及推理机。     

农用柴油机故障诊断系统的研究与开发

根据小型拖拉机的常见故障,利用Microsoft Visual FoxPro编程工具和人工智能专家系统原理,建立了知识库和相应知识表达推理机制,设计并组建了农用柴油发动机故障诊断专家系统,缓解了故障诊断专家供不应求的矛盾,提高了农用柴油机的常见故障诊断的效率和准确率。该系统主要实现的功能包括:发动机故障诊断;故障模糊查询;用户诊断数据库浏览、打印;知识库维护修改和扩充。     

基于PCA-KFCM的船舶柴油机故障诊断

为提高船舶柴油机故障诊断的准确率和深刻反映船舶柴油机的运行状况,结合主元分析(PCA)的特征提取优势和模糊核聚类(KFCM)具有较好聚类效果的特点,提出了一种新的船舶柴油机故障诊断方法。该方法首先利用主元分析对船舶柴油机故障的训练和测试数据集进行特征提取,消除了故障征兆之间的相关性;然后对经特征提取后的训练样本进行模糊核聚类,并用网格法确定其中的参数,得到聚类中心。最后通过计算测试样本集中各样本与聚类中心在高维特征空间中的欧氏距离,得出最终的故障诊断结果。对MAN B&W 10L90MC型船用柴油机的故障诊断结果验证了该方法的有效性。因此,应用提出的方法对船舶柴油机进行故障诊断具有重要的实际意义。     

基于小波包分析和LS-SVM的柴油机故障诊断方法

针对某柴油机检测样本小,难以准确估计故障的状况,提出了一种基于小波包分析和最小二乘支持向量机的柴油机故障诊断方法;利用小波包分析对柴油机缸盖振动提取频谱能量并对干扰信号进行处理,从而获得故障征兆样本集;由于柴油机故障的征兆样本集有限性,提出了采用最小二乘支持向量机分类方法构建柴油机故障分类器;结果表明,经过小波处理过后的振动信号再经过LS-SVM辨识网络训练,能够准确地诊断和预测故障。     

基于结构及行为的柴油机智能故障诊断

智能故障诊断技术是一种新的故障分析方法,它更为注重从系统整体结构 来考虑故障发生的原因以及故障之间的传导关系。基于结构及行为的诊断是智能诊断发展的 一个新突破,是一种基于模型的诊断（MBD, Model-Based Diagnosis）。深入研究了模型建立、 诊断产生和诊断测试的方法,实现了一个可以应用到生产实际的诊断系统,并应用于柴油发 动机进气系统的故障诊断中。     

基于支持向量机的舰船柴油机分层故障诊断

介绍了支持向量机(SVM)理论的基本概念、原理及其学习算法,分析了基于传统的专家系统理论的故障诊断系统在知识获取、知识表达及推理能力等方面的缺陷,提出了构造多重支持向量机（MSVM)模型解决舰船故障诊断问题的设想,开发了一套故障诊断仿真系统。     

基于PCA-KFCM的船舶柴油机故障诊断

为提高船舶柴油机故障诊断的准确率和深刻反映船舶柴油机的运行状况,结合主元分析(PCA)的特征提取优势和模糊核聚类(KFCM)具有较好聚类效果的特点,提出了一种新的船舶柴油机故障诊断方法。该方法首先利用主元分析对船舶柴油机故障的训练和测试数据集进行特征提取,消除了故障征兆之间的相关性;然后对经特征提取后的训练样本进行模糊核聚类,并用网格法确定其中的参数,得到聚类中心。通过计算测试样本集中各样本与聚类中心在高维特征空间中的欧氏距离,得出最终的故障诊断结果。对MAN B&W 10L90MC型船用柴油机的故障诊断结果验证了该方法的有效性。因此,应用提出的方法对船舶柴油机进行故障诊断具有重要的实际意义。     

针对神经网络缺陷的柴油机在线故障诊断研究

神经网络各模型在柴油机故障诊断的应用过程中,都有各自的特点;针对单一网络模型在故障诊断过程中的缺陷,提出应用多种模型的子网络组成组合网络进行诊断,各子网络的诊断输出应用模糊变换处理,融合多种故障有效信息,提高故障诊断的准确性;首先将BP、Elman诊断子网络得出其各自的初步诊断结果;然后应用模糊变换得出决策级在线诊断结果;通过对某柴油机燃油供给系统的故障诊断过程表明,该诊断模型能融合有效故障信息,避免了单个子网络诊断的失效,有效降低了系统的不确定性。     

基于工作参数的柴油机故障诊断方法

通过台架试验采集了柴油机不同状态下的多组工作参数,利用Boot-strap统计模拟方法对每种参数的分布区间进行估计,并以此对不同故障下的数据进行分类,建立了BP神经网络模型对典型故障进行识别.经验证,利用柴油机工作参数进行故障诊断是切实可行的,该方法大幅度提高了多参数诊断的准确性和有效性.     

基于IMF复杂度和RBF网络的配气机构故障诊断

针对柴油机振动信号的非平稳特性,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、复杂度和RBF(radical basis function)神经网络相结合的故障诊断方法;运用经验模态分解方法对特定时段的振动信号进行分析,计算前5个固有模式分量(Intrinsic Mode Functions,IMF)的Lempel-Ziv相对复杂度作为故障特征向量,并利用RBF神经网络可以快速逼近任意非线性函数及良好分类能力的特点,来实现对柴油机工作状态和故障类型的判别;最后,利用实际柴油机试验数据的诊断和对比试验验证了该方法的有效性。