基于ART-并行BP神经网络的柴油机故障诊断研究

造成柴油机故障的因素十分复杂,既存在单一类的故障,也存在多故障并存的现象,而且还会出现新型故障,仅仅依靠单一神经网络技术的故障诊断已经很难满足对柴油机的有效诊断要求。本文在信息决策层融合的基础上,以自适应谐振理论ART和误差反向传播并行BP两种神经网络为基础,建立了用于柴油机故障诊断的新型神经网络模型,以对柴油机系统工作过程多种故障进行诊断识别。通过与单一神经网络诊断识别结果的分析和比较,验证了该神经网络诊断模型的可行性,它能够进行多传感器信息综合诊断,既能识别单故障和并发故障,又具有识别新型故障的能力,可有效地提高对柴油机故障诊断的准确性和可靠性。

基于数据融合的舰用柴油机状态预测系统研究

融合柴油机热工、油液及振动3大类信息,采用灰色理论、自适应谐振理论(ART)和BP网络等相结合的决策级融合技术,建立了一套具有数据融合、分析诊断和状态预测能力的舰用柴油机状态预测系统,并以12PA6V-280型柴油机为研究对象,进行了工作过程仿真及故障模拟研究。

基于PDE的气体润滑轴承特性的数值分析

针对雷诺方程求解困难的问题,应用Matlab PDE工具箱提出了一种比较方便的数值离散求解方法,同时提出了一种对剖迭代的逼近算法来处理压力边界条件。并采用该算法通过改造PDE工具箱对小孔节流静压气体径向轴承的静态性能进行了研究,将其计算结果与其它分析方法的计算结果进行了比较,表明该方法的计算结果精度很高而且非常稳定,证明将该方法应用在流体润滑领域的可行性。