基于神经网络的汽车故障诊断.doc

基于神经网络的汽车故障诊断 问题描述 这里，我选取了汽车变速箱作为本次故障诊断作为研究对象。在汽车变速箱的故障诊断中，是以不同振动信号下齿轮啮合次数作为故障诊断的参数。这里我们以啮合次数和故障的对应关系通过神经网络的方法进行训练：正常运行状态时啮合次数约为0-70万次、磨损运行状态时啮合次数为70-420万次、故障运行状态(断齿)时啮合次数为420万次以上。为此，通过汽车齿轮箱的振动信号经小波包分解，在各频带能量序列作为诊断的依据。 神经网络设计 学习样本与试验中，样本数量的选择应尽可能多，以包含尽可能多的故障类型。现选正常运行状态的特征向量5个，因整个磨损状态所经历的运行时间比较长，故磨损运行状态的特征向量样本多一些，定为11个，断齿状态的特征向量样本5个。因此决策属性有三类，“0”表示正常运行状态，“1”表示磨损运行状态，“2”表示断齿状态。所用数据集见表1： 表1 学习样本 U 频率范围(Hz) D 0~188(a) 188~375(b) 375~563(c) 563~750(d) 750~ 38(e) 938~1125(f) 1125~1313(g) 1313~2500(h) 1 61.022 89.593 71.756 150.805 8.516 20.305 33.277 51.463 0 2 85.118 91.616 68.181 165.734 11.592 21.790 35.276 54.154 0 3 55.124 95.449 67.286 159.607 8.493 21.543 32.754 53.401 0 4 85.376 113.499 66.016 169.410 10.653 22.283 39.527 56.422 0 5 77.922 101.105 69.232 157.287 9.737 20.664 34.843 53.807 0 6 72.1360 168.310 41.234 109.114 3.867 18.659 19.928 27.081 1 7 147.527 146.784 59.772 105.212 17.205 19.019 38.907 32.893 1 8 95.492 197.015 93.170 182.344 11.651 27.736 46.669 59.434 1 9 103.998 167.362 73.005 177.894 12.806 29.122 43.575 51.336 1 10 120.500 168.110 69.048 140.139 13.114 25.827 38.802 43.172 1 11 163.397 152.313 79.554 163.811 23.126 30.756 46.080 56.873 1 12 123.182 166.600 67.123 115.267 20.877 19.250 42.203 41.980 1 13 71.945 211.171 72.588 137.730 22.671 22.112 43.315 45.104 1 14 164.045 194.629 68.603 127.541 16.127 22.286 41.454 30.387 1 15 172.501 308.049 94.592 177.904 32.569 36.064 47.803 52.628 1 16 100.973 272.339 80.250 174.414 22.561 43.803 50.033 47.686 1 17 128.261 294.431 108.704 255.536 27.977 35.220 59.055 71.603 2 18 133.521 356.309 111.461 230.050 29.392 43.088 56.883 76.239 2 19 142.032 338.226 93.684 287.425 24.969 38.716 55.256 73.801 2 20 171.641 270.335 103.851 240.083 31.789 39.004 54.773 75.723 2 21 216.891 371.829 117.591 285.673 35.077 39.504 67.191 79.991 2 此外还设计了三组样本数据（见表2）用于测试，以验证神经网络的训练效果。 表2 测试样本 U 频率范围(Hz) D 0~188(a) 188~375(b) 375~563(c) 563~750(d) 750~ 38(e) 938~1125(f) 1125~1313(g)