基于磨损烈度的发动机磨损监测试验研究

对试验结果进行了分析,指出标准磨损烈度指数和磨损率与摩擦副磨损状态的变化具有敏感性,在趋势图上存在着明显的磨合及正常磨损阶段,数学分析表明标准磨损烈度与磨损率显著相关,说明可用标准磨损烈度指数来监测发动机机件的磨损。     

船舶主机磨损型式的模糊模式识别方法的研究

在总结柴油机特定磨损型式的相关磨粒基础上，讨论了磨损型式模糊模式识别方法在８ＮＶＤ４８Ａ－２Ｕ型船舶主机的主导磨损型式识别中的应用；提出了建立磨损型式标准模型库，确定隶属函数和选取权重系数的方法和原则。所做的研究对于设计基于磨粒 油液智能诊断系统具有重要意义。     

汽油发动机磨损状态的铁谱分析研究

以在用车(上海桑塔纳轿车)为测试对象,按一定里程抽取油样,应用铁谱分析技术对汽油发动机进行状态监测与故障诊断研究。通过对比铁谱分析结果表明,磨损烈度指数的变化趋势及变化剧烈程度可反映发动机的磨损状况;磨损烈度指数质量控制图可及时、较为准确地反映机器的磨损状况,预报可能的机械故障,为机器的日常维护及检修提供可靠的科学依据,对发动机的安全运行起到了积极的作用。     

发动机磨损模式识别的SFCE方法

针对发动机磨损过程的复杂性和不确定性,对磨粒数量特征信息进行了模糊化.引进了信息论中一种新的模糊子集间的距离度量-对称模糊交互熵(SFCE)的概念,并结合模糊相对权重对其计算方法进行了改进,提出了基于对称模糊交互熵的发动机磨损模式识别方法.计算结果表明,SFCE方法能够实现发动机油样磨损模式的分类,具有很好的识别效果.     

基于小波包和遗传BP神经网络的缸套-活塞组磨损研究

采用对比试验的方法,研究了柴油机缸套-活塞组磨损对气缸漏气率和燃油消耗量的影响。针对柴油机缸套-活塞组不同的磨损运行状态,利用机身振动信号进行了研究。然后,利用小波包时频分析方法进行特征量提取,最终利用遗传算法改进后的BP神经网络实现了磨损故障模式识别。     

基于粗集理论的柴油机磨损模式识别方法

在总结柴油机磨损模式的磨粒分析基础上,首次提出了在柴油机磨损模式识别中采用基于粗集理论的模式识别方法。道德对磨损模式知识表达系统进行了简化,在此基础上,求解并简化决策规则,最后用检验样本验证了识别结果的可靠性。     

柴油机磨损寿命的灰色预测

利用铁谱分析技术对柴油机的润同进行分析，在获得磨损烈度指数的基础上，应用灰色预测模型ＧＭ，对柴油机的磨损寿命进行预测，取得了令人满意的结果。     

基于神经网络的内燃机活塞-缸套磨损的故障诊断

分析了BP算法。在MATLAB环境下以改进的BP网络为识别模型对内燃机活塞-缸套磨损的几种故障进行分类训练,并应用待识别的故障样本识别仿真。结果表明,该方法在活塞-缸套磨损诊断中是行之有效的。     

基于BP神经网络的水电站电气设备故障诊断

阐述BP神经网络应用在水电站电气设备故障诊断中的目的,通过查阅文献并结合专家经验,构建了电气设备的故障诊断知识库,并建立神经网络模型。最后,以一个故障诊断实例进行具体分析,验证BP神经网络的可行性与优越性。     

基于BP神经网络的汽车散热器性能研究

利用较新的BP神经网络预测方法,构造了汽车散热器预测模型,对管带式、管芯式汽车散热器进行了预测,预测值和试验值吻合,说明利用BP神经网络方法对汽车散热器性能进行预测,方法是可行的。     

基于BP神经网络的大伙房水库洪水预报

鉴于大伙房水库洪水预报模型为集总式模型,其参数不仅需要优选法选定或人工试错法确定,还需要实时校正,因此根据大伙房流域特点提出了一种半分布式BP神经网络洪水预报模型,实现了模型中参数的自动率定,且由于其半分布式的特点还规避了原集总式模型的部分劣势。即采用DEM和ArcGIS根据水文站及自然流域分水线划分流域,创建BP神经网络,然后应用于各子流域断面及入库断面,预报其流量值,并在每个网络中均运用逐步回归分析法对输入层数据进行筛选,以得到影响最显著因子。将所建模型应用于大伙房水库,预报精度较好,可用于大伙房水库的正式预报。     

基于思维进化算法优化BP神经网络的渗透参数反演研究

针对传统BP神经网络反演渗透参数的准确性很大程度依赖于初始权值和阈值的选择的问题,引入全局寻优能力极强、待调参数较少、收敛速度快的思维进化算法优化BP神经网络,以弥补传统BP神经网络在解决该问题时拟合能力有限、容易陷入局部最优、收敛速度慢的缺陷,进而提出了思维进化算法优化BP神经网络反演渗透参数的新方法。对某混凝土面板堆石坝进行渗透参数反演结果表明,与传统BP神经网络相比,思维进化算法优化BP神经网络具有更好的泛化能力,反演得到的渗压测点水头与实际值吻合更好,渗透参数符合实际。     

基于BP神经网络与遗传算法的高压共轨柴油机喷油器结构参数优化研究

利用AVL-FIRE软件对TBD234高压共轨柴油机燃烧过程进行数值模拟,采用L16（54）正交试验作为BP神经网络的训练样本,建立喷油器主要结构参数与柴油机的燃油消耗率、NOx排放、SOOT排放之间的非线性映射关系,以燃油消耗率为优化目标,同时保持较低的NOx和SOOT排放水平,结合遗传算法进行寻优计算,获得了喷孔直径、喷孔个数、喷射夹角和喷油提前角4个参数的最优组合。     

基于改进的BP神经网络学习算法的变压器故障诊断

电力变压器的故障除了给其自身带来重大损失外,还对电力系统的安全造成很大影响。利用BP神经网络对变压器故障进行诊断,针对BP神经网络学习率的缺点,提出了一种跟踪型自适应学习率的确定方法,该方法仅需整定一个参数,有效地提高了BP神经网络的收敛性和训练时间,进而通过构建变压器故障诊断训练样本集,验证了该方法的可行性,获得了更精确的诊断结果。     

基于滚动的BP神经网络的光伏发电功率预报

鉴于准确预测光伏发电功率可减少大规模光伏并网发电对电网造成的冲击,以河南省某并网的光伏发电站7~11月共5个月的数据为例,通过建立非滚动的和滚动的BP神经网络模型,分别进行数值预报辐射订正和发电功率预报,并对预报的72h结果分为第1、2、3d分别进行检验。结果表明,滚动的BP神经网络对辐射订正和功率预报均具有较好的泛化能力,方法简便、实用,能够有效降低光伏发电功率的预报误差。     

基于BP神经网络的面板堆石坝参数反演分析

高面板堆石坝的有限元计算分析中本构模型与模型参数的选取至关重要,尤其模型参数的选取与实际参数存在一定的差异性。根据面板堆石坝的特点,结合实测资料,基于BP神经网络选用合理方法构造参数训练样本,并给出了参数反演步骤,对坝体主、次堆石区的邓肯E-B模型参数反演与三维有限元进行了比较分析,计算结果与实测资料较为吻合。     

基于BP神经网络的工业锅炉房负荷预测

针对工业锅炉房日负荷变化的特点,采用BP人工神经网络模型对热负荷进行预测。在建立模型时,考虑不同小时的热负荷差异,采用24个单输出的BP网络来分别预测每天24h负荷值;利用MATLAB神经网络工具箱NNT(Neural Network Toolbox)分别实现对24个BP网络预测模型的构建及算法改进;最后,应用一个实例对建立的预测模型和实现方法进行了仿真分析,结果证明,该负荷预测模型网络结构小、收敛速度快、预测精度高、具有较高的实用价值。     

基于模糊聚类和BP神经网络的小水电短期发电能力预测方法

小水电大多为无调节能力的径流式电站,汛期与大中型水电挤占输电通道,导致水电弃水及地区窝电现象日趋严重,因此尽可能准确地掌握小水电发电能力、制定合理的大小水电协调调度计划愈显重要。对此提出了基于模糊聚类和BP神经网络相结合的小水电短期发电能力FC-BP预测方法,将训练样本根据历史运行数据分类,建立相应的BP网络,对待测样本识别归类,预测小水电装机日利用小时数,并将该方法应用于云南省盈江县和云龙县小水电短期发电能力预测中。结果表明,FC-BP预测方法较传统ANN模型预测精度有所提高,且泛化能力更强。