基于神經(jīng)網(wǎng)絡的發(fā)動機故障診斷分析-資料下載頁
2025-06-27 21:11本頁面
【正文】 004.[7] 鄭文鐘，何勇，[N].浙江大學學報，20020425(02).[8] [D].陜西：長安大學車輛工程，2008.[9] [D].重慶交通大學車輛工程，2009.[10] [J].汽車技術，2000(8)：3334.[11] 閻平凡，[M].北京:清華大學出版社，2001.[12] [J].汽車科技，2004（1）:911.[13] ，1997.[14] [J].汽車技術，2003(5):3841.[15] [J].北京:人民交通出版社，2001(l0):102132.附錄在MATLAB語言環(huán)境下,對RBF神經(jīng)網(wǎng)絡進行編程：clc。clear all。 close all。%怠速正常工作的樣本數(shù)據(jù)P_train1=[860 94 42 2 5 。870 94 41 。865 95 41 51 。870 95 42 34 20。860 95 41 3 3 。865 94 42 34 。870 94 42 6 3 。860 95 42 3 35 ]。%怠速電機不工作的樣本數(shù)據(jù)P_train2=[2142 94 41 2 100 0 。2146 95 42 2 100 0 。2154 95 42 2 100 0 。2183 95 42 2 100 0 。2170 94 41 2 23 38 100 0 。2162 94 41 2 23 100 0 。2150 94 42 2 100 0 。2160 95 42 2 100 0 ]。%進氣系統(tǒng)漏氣的樣本數(shù)據(jù)P_train3=[900 94 40 。860 94 40 0 。930 95 41 。960 95 40 3 。1020 94 42 2 25 25。990 94 40 11 。1090 94 41 3 37 。1120 95 42 6 ]。%某缸噴油嘴堵的樣本數(shù)據(jù)P_train4=[826 94 42 2 0 。830 94 41 0 。814 95 41 0 。836 94 42 4 0 。854 95 41 0 。842 94 42 34 0 。832 94 42 0 19。860 95 42 3 35 0 ]。%對P_train1到P_train4數(shù)據(jù)歸一化處理for i=1:8P_train1(i,:)=(P_train1(i,:)min(P_train1))./((max(P_train1)min(P_train1))+)。P_train2(i,:)=(P_train2(i,:)min(P_train2))./((max(P_train2)min(P_train2))+)。P_train3(i,:)=(P_train3(i,:)min(P_train3))./((max(P_train3)min(P_train3))+)。P_train4(i,:)=(P_train4(i,:)min(P_train4))./((max(P_train4)min(P_train4))+)。i=i+1。end T_train1=[1 0 0 0。1 0 0 0。1 0 0 0。1 0 0 0。 1 0 0 0。1 0 0 0。1 0 0 0。1 0 0 0]。 T_train2=[0 1 0 0。0 1 0 0。0 1 0 0。0 1 0 0。 0 1 0 0。0 1 0 0。0 1 0 0。0 1 0 0]。 T_train3=[0 0 1 0。0 0 1 0。0 0 1 0。0 0 1 0。 0 0 1 0。0 0 1 0。0 0 1 0。0 0 1 0]。 T_train4=[0 0 0 1。0 0 0 1。0 0 0 1。0 0 0 1。 0 0 0 1。0 0 0 1。0 0 0 1。0 0 0 1]。P_test1=[860 94 42 2 5 。870 94 41 。865 95 41 51 。870 95 42 34 20。860 95 41 3 3 。865 94 42 34 。870 94 42 6 3 。860 95 42 3 35 ]。P_test2=[2155 96 43 2 100 0 。2140 97 41 2 100 0 。2152 93 43 2 100 0 。2179 97 47 2 23 38 100 0 。2160 96 43 2 23 38 100 0 。2167 95 46 2 100 0 。2158 96 42 2 100 0 。2160 94 48 2 100 0 ]。P_test3=[910 95 43 。870 94 41 0 。940 95 41 。970 94 43 。1010 96 42 25 。1020 93 40 12 。1090 94 42 3 37 。1110 95 42 ]。P_test4=[838 97 43 3 0 。835 94 42 34 0 。820 95 44 3 0 。839 94 42 0 。850 93 43 0 。842 94 43 5 0 。839 94 45 0 。862 95 42 3 0 ]。%對P_test1到P_test4數(shù)據(jù)歸一化處理for i=1:8P_test1(i,:)=(P_test1(i,:)min(P_test1))./((max(P_test1)min(P_test1))+)。P_test2(i,:)=(P_test2(i,:)min(P_test2))./((max(P_test2)min(P_test2))+)。P_test3(i,:)=(P_test3(i,:)min(P_test3))./((max(P_test3)min(P_test3))+)。P_test4(i,:)=(P_test4(i,:)min(P_test4))./((max(P_test4)min(P_test4))+)。i=i+1。end %訓練樣本:P_train為輸入向量,T_train為目標向量P_train=[P_train1 P_train2 P_train3 P_train4]39。T_train=[T_train1 T_train2 T_train3 T_train4]39。%測試樣本,P_test為輸入向量,P_test=[P_test1 P_test2 P_test3 P_test4]39。% net=newrbe(P_train,T_train,)。%網(wǎng)絡對訓練數(shù)據(jù)的逼近 Yout=sim(net, P_train)。 subplot(2,1,1)。plot(Yout,39。ko39。)。title(39。訓練后網(wǎng)絡輸出39。)。 hold on。 subplot(2,1,2)。plot(T_train,39。g*39。)。title(39。目標向量39。)。 xlabel(39。對比網(wǎng)絡輸出跟目標向量幾乎相等可知網(wǎng)絡能有效學習39。)。 %網(wǎng)絡的預測輸出 Y=sim(net,P_test) %結果可以通過觀察Y的結果來確定是屬于哪一類故障。
醫(yī)療健康相關推薦
鄂ICP備17016276號-1