混合动力汽车的球形发动机热力学过程

介绍球形发动机工作原理及基本结构,研究发动机气缸容积变化规律,进而建立发动机热力学过程理论模型,分析发动机燃烧过程。利用FLUENT开展对比仿真研究,并对发动机燃油喷射过程进行分析。结果表明气缸内部温度与压力曲线的计算结果与仿真结果基本一致,验证了理论模型的正确性。仿真结果显示在燃油喷射过程中,燃油喷射轨迹呈涡团状,引起局部富油,使得燃烧性能变差。     

模糊方向神经网络在火箭发动机故障检测与分离中的应用

提出了一种模糊方向神经网络分类器,并应用于液体推进剂火箭发动机故障检测与分离。模糊方向神经网络采用模糊集表示发动机故障模式,模糊集是方向超体聚集形成的集合体,方向超体则由单位方向、夹角和两个半径确定。模糊方向神经网络能在一次循环学习中形成非线性方向边界。故障检测与分离的仿真研究表明：模糊方向神经网络的识别性能是比较优越的。     

用拖动电流确定气缸压缩压力的试验研究

从理论上分析了拖动时发动机缸内气体压力、漏气、惯性力及摩擦等因素对发动机力矩的影响及拖动电流与气缸压缩压力的关系,并在此基础上做了大量试验,利用一元线性回归分析的方法处理试验数据,得到了拖动电流和压缩压力的经验关系式,验证表明,用此公式检测气缸压力精度在48％以内,而且操作简单,能够达到快速检测压缩压力的目的。     

基于神经网络的液体火箭发动机故障检测系统

提出和建立了一种用于液体火箭发动机（ＬＲＥ）故障检测的神经网络系统,这种系统包括两层：第一层由ＷＴＡ（Ｗｉｎｎｅｒ－Ｔａｋｅ－Ａｌｌ）神经网络组成,ＷＴＡ网络用于检测发动机故障输出模式;第二层由ＢＰ（Ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ）神经网络组成,ＢＰ网络利用第一层次的输出结果作为输入显示故障大小。文中对ＬＲＥ故障检测进行了数值仿真,仿真结果验证了神经网络故障检测系统的优越性能。     

基于小波神经网络的蒸汽发生器水位辨识与控制仿真

提出一种基于小波神经网络的控制方法,对蒸汽发生器水位进行控制仿真.该方法利用小波神经网络作为控制系统的辨识器和控制器来构成控制系统.小波神经网络辨识器能更准确逼近非线性对象,小波神经网络控制器能自适应产生最佳的控制规律.仿真结果表明,该方案具有响应快、超调量小、较强抑制干扰能力等良好性能.     

用于混合动力汽车的球形发动机热力学过程分析

作为混合动力汽车增程系统的一种新型动力源，球形发动机有着功率密度高，结构紧凑等优点。在介绍球形发动机工作原理及基本结构的基础之上，研究了发动机气缸容积变化规律，分析发动机燃烧过程，建立了发动机热力学理论模型。利用FLUENT开展了仿真研究，验证了模型的正确性，进而对于发动机燃油喷射过程进行了分析。结果表明：计算得到的气缸内部温度与压力曲线与仿真得到的结果基本一致，验证了理论模型的正确性。在燃油喷射的过程中，可能会出现涡团状的燃油喷射轨迹，使得局部富油发生，燃烧性能变差。     

基于云-神经网络的液体火箭发动机故障检测方法

根据故障检测原理,研究和实现了基于云-神经网络的液体火箭发动机故障检测方法。根据训练结果、测试结果和故障检测结果可以看出,云-神经网络用于液体火箭发动机的故障检测是可行的,经过历次试车数据验证,该方法没有误报警和漏报警。     

基于径向基小波神经网络的装备保障方案评价模型

针对装备保障方案评价的实际问题,利用小波函数的多分辨率分析和逐层逼近能力,建立了基于径向基小波神经网络的装备保障方案评价方法。通过对装备保障方案中评价参数的量化,建立评价参数的样本库。将各种性能指标输入到训练好的网络,客观地评价保障方案的性能。以陆军防空旅装备保障方案为例,组织保障领域的专家对评价参数进行综合研讨,得到量化的参数值,然后使用新方法对其进行评价。仿真结果表明,径向基小波神经网络具有良好的非线性映射能力和泛化性能,能够比较准确地对装备保障方案做出评价。     

基于小波神经网络的MEMS陀螺输出预测方法

为了解决弹载MEMS陀螺实时输出预测问题,提高陀螺输出预测精度并减小计算量,通过分析弹载陀螺信号时间序列特性,结合小波分析和神经网络两种方法的优势,提出了一种基于小波神经网络的MEMS陀螺输出预测方法。选取并优化神经网络结构参数,利用实测陀螺数据对建立的小波神经网络进行训练,并预测出未来一段较短时间的陀螺输出值。与陀螺实测值和ARMA模型预测结果的对比发现,小波神经网络方法有效地提高了MEMS陀螺输出预测的精度、减小了计算量,从而验证了该方法的有效性和精度。     

Matlab在装甲车发动机性能试验数据处理中的应用

数据处理是发动机特性试验的一个重要内容,是测取发动机各项指标,进行动力性、经济性分析的前提和基础。利用Matlab强大的数据处理功能和绘图功能对发动机的性能试验数据进行处理,并采用神经网络学习发动机外特性曲线的方法得到曲线,既提高了工作效率,又可得出较为精确可靠的动机外特性曲线。     

基于RBF网络的滑模变结构控制在无刷直流电机伺服系统中的应用

无刷直流电动机的参数强耦合、高度非线性特性增加了对其速度控制的难度，针对这一特点，设计了一种神经网络滑模变结构速度控制器。将无刷直流电机速度伺服系统分成名义模型和不确定模型，采用状态反馈方法对名义模型进行控制，以RBF神经网络为滑模动态补偿器对不确定系统进行控制。该方法不仪具有变结构控制的抗参数摄动、抗干扰以及速度快等优点，神经网络控制的加入还有效地减弱了单纯滑模变结构控制所带来的“抖振”现象。Matlab仿真结果表明，该控制器具有良好的控制性能和鲁棒性能。     

3D laser scanning strategy based on cascaded deep neural network

A 3D laser scanning strategy based on cascaded deep neural network is proposed for the scanning system converted from 2D Lidar with a pitching motion device. The strategy is aimed at moving target detection and monitoring. Combining the device characteristics, the strategy first proposes a cascaded deep neural network, which inputs 2D point cloud, color image and pitching angle. The outputs are target distance and speed classification. And the cross-entropy loss function of network is modified by using focal loss and uniform distribution to improve the recognition accuracy. Then a pitching range and speed model are proposed to determine pitching motion parameters. Finally, the adaptive scanning is realized by integral separate speed PID. The experimental results show that the accuracies of the improved network target detection box, distance and speed classification are 90.17%, 96.87% and 96.97%, respectively. The average speed error of the improved PID is 0.4239°/s, and the average strategy execution time is 0.1521 s. The range and speed model can effectively reduce the collection of useless information and the deformation of the target point cloud. Conclusively, the experimental of overall scanning strategy show that it can improve target point cloud integrity and density while ensuring the capture of target.     

基于被动雷达和红外传感器的数据融合

提出基于被动雷达和红外传感器组成的复合探测系统,利用D-S证据理论提高目标识别率,借助神经网络改善目标跟踪算法的性能,同时保持跟踪滤波的计算结构尽可能简单,尤其是减少了数字计算上的复杂性。仿真结果表明了应用新算法的复合探测系统的有效性。     

基于HLA的空战仿真应用

HLA技术是当前仿真的趋势.给出了基于HLA的空战仿真的体系结构、仿真对象模型和联邦对象模型的设计,分析了应用的HLA接口规范.HLA应用于人在回路的仿真要求具有实时性,当前RTI软件却一般不能满足要求,需要以某种方式去解决,给出了一种解决手段.优化了三维显示盟员/数据记录盟员在HLA的应用方法.     

弹性BP神经网络消除轮速传感器误差方法的研究

汽车轮速是汽车运动状态参数的主要信息源,是控制系统的核心,其精度直接影响这些系统的性能.为了提高轮速的精度,降低传感器的研制成本,提出了一种基于弹性BP神经网络的误差分析方法消除轮速传感器误差.将改进的BP神经网络--弹性BP神经网络用于误差分析,并提出误差匹配的算法.理论和仿真结果表明,该方法使绝对误差达到2×10-4>rad,能够有效地消除传感器误差,提高轮速信号的精度.     

STUDY ON REALISTIC TECHNOLOGY OF CONDITION MONITORING AND FAULT DIAGNOSTIC SYSTEM FOR SHIPPING POWER DEVICES

ＳＴＵＤＹＯＮＲＥＡＬＩＳＴＩＣＴＥＣＨＮＯＬＯＧＹＯＦＣＯＮＤＩＴＩＯＮＭＯＮＩＴＯＲＩＮＧＡＮＤＦＡＵＬＴＤＩＡＧＮＯＳＴＩＣＳＹＳＴＥＭＦＯＲＳＨＩＰＰＩＮＧＰＯＷＥＲＤＥＶＩＣＥＳＷｅｎＸｉｓｅｎ;ＬｉＹｕｅ;ＴａｎｇＢｉｎｇｙａｎｇ（Ｄｅｐ...     

二维矩阵卷积在向量处理器中的设计与实现

为了加快卷积神经网络模型的计算速度,便于大规模神经网络模型在嵌入式微处理器中的实现,以FT-matrix2000向量处理器体系结构为研究背景,通过对多核向量处理器体系结构的分析和对卷积神经网络算法的深入研究,提出将规模较小的卷积核数据置于标量存储体,尺寸较大的卷积矩阵置于向量存储体的数据布局方案。针对矩阵卷积中数据难以复用的问题,提出根据卷积核移动步长的不同动态可配置的混洗模式,通过对所取卷积矩阵元素进行不同的移位操作,进而大幅提高卷积矩阵数据的复用率。针对二维矩阵卷积由于存在数据相关性进而难以多核并行的问题,提出将卷积矩阵多核共享,卷积核矩阵多核独享的多核并行方案。设计了卷积核尺寸不变、卷积矩阵规模变化和卷积矩阵尺寸不变、卷积核规模变化的两种计算方式,并在主流CPU、GPU、TI6678、FT-matrix2000平台进行了性能对比与分析。实验结果表明:FT-matrix2000相比CPU最高可加速238倍,相比TI6678可加速21倍,相比GPU可加速663 805倍。     

STUDY ON REAL1STIC TECHNOLOGY OF CONDITION MONITORING AND FAULT DIAGNOSTIC SYSTEM FOR SHIPPING POWER DEVICES

Condition monitoring and fault diagnosis is currently a very important problem in large-scale complicate power devices. Both scheme and realistic technology for monitoring system hardware and software have been present to solve the problem in this paper. The fault diagnostic model based on artificial neural network and state identification method based on fuzzy analysis are studied.     

低气压环境下柴油机涡轮增压器转速实车估算方法

针对涡轮增压器转速实车测量中存在安装困难、精度低的问题,提出了利用RBF神经网络和BP神经网络估算涡轮增压器转速的方法。分别建立了基于RBF神经网络和BP神经网络增压器转速估算模型,通过与台架试验测试样本比较,模型误差分别2.25%和2.27%。同时,RBF神经网络较BP神经网络,具有训练次数少,收敛速度快、结果稳定的优点,更适合实车涡轮增压器转速估算。     

油管油压信号的载荷识别

在高速柴油发动机喷油系统性能检测中,一般以燃油压力信号作为喷油系统性能检测参量。通过对油压波形进行分析来判断喷油系统的工作状况,阐述了采用载荷识别技术识别油压信号的频谱特性,进而得到其时域波形的理论与方法,并在模拟试验中获得了识别结果。