神經網絡以及小波分析法在汽車發動機故障檢修中有什么應用?

汽車是我們生活中常用的將交通工具，那么神經網絡和小波分析法在汽車發動機故障檢修中有什么應用呢?大家請看我接下來詳細地講解。一，小波分析在故障檢修中的應用小波包分解與故障特征提取。

缸蓋表面的振動信號由一系列瞬態響應信號組成，分別代表氣缸的振動源響應信號:1為氣缸的燃燒激勵響應;2是排氣閥打開時的節流閥沖擊。

氣門間隙異常時,振動信號的能量大于目前沖擊力作用時,振動信號的主要組件目前離沖擊力穩定的振動信號和噪聲,信號能量相對較小。

因此，可以利用每個頻帶的能量變化來提取故障特征，通過小波包分解系數{4]得到頻帶的能量。二，神經網絡在故障檢修中的作用神經網絡與故障識別的基本原理。

人工神經網絡以其大規模并行處理、分布式存儲、自組織、自適應和自學習的能力，以及適合于處理不準確或模糊的信息而備受關注5]。其中，最成熟的是BP神經網絡。值，直到輸出接近理想輸出信號6。

因此，BP神經網絡可以以任意精度逼近任意有限維函數，適用于模式識別。現在對每個工況信號取5個樣本，按照⒉部分所述步驟對35組樣本信號進行編程，提取樣本信號的能量特征向量。

三，小波分析法和神經網絡應用總結為了實現柴油機氣門機構的非解體故障診斷，本文將對測量的氣缸蓋振動信號進行小波閾值降噪預處理。然后根據信號的頻率特性，對信號進行時頻分析后進行小波包分解。

所構造的能量特征向量準確地反映了氣門間隙狀態下缸蓋振動信號能量的變化。

實驗表明，利用能量特征向量，BP神經網絡能更準確地完成從振動信號空間到氣門間隙狀態空間的非線性映射，能更好地滿足柴油機狀態檢測和故障診斷的要求。

人工神經網絡分類

人工神經網絡按其模型結構大體可以分為前饋型網絡(也稱為多層感知機網絡)和反饋型網絡(也稱為Hopfield網絡)兩大類，前者在數學上可以看作是一類大規模的非線性映射系統，后者則是一類大規模的非線性動力學系統。按照學習方式，人工神經網絡又可分為有監督學習、非監督和半監督學習三類;按工作方式則可分為確定性和隨機性兩類;按時間特性還可分為連續型或離散型兩類，等等。