劉艷麗， 周 照

(1. 湖北商貿(mào)學(xué)院 機(jī)電與信息工程學(xué)院，湖北 武漢 430079；2. 武漢理工大學(xué) 信息工程學(xué)院，湖北 武漢 430070)

OCV閥質(zhì)量檢測(cè)的模式識(shí)別方法

劉艷麗1， 周 照2

(1. 湖北商貿(mào)學(xué)院 機(jī)電與信息工程學(xué)院，湖北 武漢 430079；2. 武漢理工大學(xué) 信息工程學(xué)院，湖北 武漢 430070)

針對(duì)OCV閥的磁滯和卡滯不合格存在的誤判提出了改進(jìn)方法，利用小波變換檢測(cè)跳變點(diǎn)的能力很好地解決了該問題。研究了BP網(wǎng)絡(luò)在對(duì)OCV閥質(zhì)量檢測(cè)中的應(yīng)用，結(jié)果表明該方法不僅可以解決誤判問題，還能檢測(cè)出產(chǎn)品所有類型，并且該方法無需經(jīng)常調(diào)整測(cè)試標(biāo)準(zhǔn)，有較好的環(huán)境適應(yīng)性。但該方法仍存在錯(cuò)判，對(duì)此提出了利用模糊閾值的方法，將分類模糊的產(chǎn)品測(cè)試數(shù)據(jù)保存起來交由人工處理。實(shí)驗(yàn)證明，該方法可將錯(cuò)判率降低到0，相對(duì)于現(xiàn)有測(cè)試方法，效率已大幅提高。

OCV閥；小波變換；BP網(wǎng)絡(luò)

0 引言

發(fā)動(dòng)機(jī)可變氣門正時(shí)(Variable Valve Timing,VVT)技術(shù)近幾年來廣泛地應(yīng)用于小型汽車的發(fā)動(dòng)機(jī)上。這種技術(shù)可以提高發(fā)動(dòng)機(jī)動(dòng)力并且節(jié)能減排，以提高汽車的環(huán)保性和經(jīng)濟(jì)性[1]。而VVT技術(shù)就是通過OCV (Oil Control Valve) 閥控制執(zhí)行器，改變凸輪軸相位，進(jìn)而調(diào)節(jié)進(jìn)氣量、排氣量和氣門開閉時(shí)機(jī)、角度，使氣缸內(nèi)汽油燃燒狀態(tài)達(dá)到最佳，提高燃燒效率。因?yàn)镺CV閥的測(cè)試研究處于探索階段，尚無可參考的數(shù)據(jù)標(biāo)準(zhǔn)。因此目前測(cè)試標(biāo)準(zhǔn)參數(shù)的選取和人工判斷產(chǎn)品是否合格的依據(jù)，就是通過觀察日本和美國的OCV原樣產(chǎn)品在該測(cè)試臺(tái)上測(cè)試的數(shù)據(jù)得出的。而該測(cè)試的流量數(shù)據(jù)最清楚直觀的體現(xiàn)就是繪制的PWM-流量曲線圖[2]。

現(xiàn)有的測(cè)試方法存在的測(cè)試結(jié)果不準(zhǔn)確的問題主要體現(xiàn)在對(duì)磁滯和卡滯不合格的判斷上。磁滯不合格和卡滯不合格發(fā)生的基本原因相同，只是發(fā)生的位置不同，反映在流量曲線上就是曲線發(fā)生跳變。通常，磁滯不合格發(fā)生在PWM信號(hào)的占空比在33%～37%之間，卡滯不合格則是在41%～45%之間。

1 OCV閥質(zhì)量檢測(cè)的小波變換方法

分析磁滯不合格和卡滯不合格的流量曲線，可以從頻域的角度對(duì)曲線的跳變點(diǎn)進(jìn)行分析。把每個(gè)占空比對(duì)應(yīng)的流量值看作時(shí)域內(nèi)的連續(xù)采樣點(diǎn)，那么就得到了一組由40個(gè)流量值組成的離散序列，然后將該序列變換到頻域進(jìn)行分析[3]。

相對(duì)于傅里葉變換，小波變換不僅有更高的分辨率，而且能顯示信號(hào)的時(shí)頻特性。小波變換是一個(gè)有效的時(shí)頻分析工具，它在時(shí)域和頻域上都能很好地表現(xiàn)信號(hào)的局部特征[4]。可以利用小波分解多分辨率的特性對(duì)信號(hào)進(jìn)行多尺度分解，然后通過分析分解后的信號(hào)來確定原始信號(hào)中突變點(diǎn)的位置。

對(duì)于OCV閥的流量數(shù)據(jù)(信號(hào))進(jìn)行小波分解和重構(gòu)，本文使用MATLAB小波工具中的wavedec()和wrcoef()一對(duì)函數(shù)實(shí)現(xiàn)。具體使用的形式如下：

[C,L]=wavedec(X,N，‘wname’)

X=wrcoef(‘type’,C,L,‘wname’,N)

1.1 流量曲線跳變點(diǎn)檢測(cè)實(shí)驗(yàn)

首先對(duì)流量信號(hào)進(jìn)行多層小波分解，然后用分解的結(jié)構(gòu)在每一層進(jìn)行重構(gòu)。由于這里要分析信號(hào)的跳變點(diǎn)，跳變屬于高頻信息，因此令‘type’=‘d’，進(jìn)行高頻系數(shù)的重構(gòu)，突出細(xì)節(jié)信號(hào)。

由于Daubechies5小波和Daubechies6小波更適用于類似所研究對(duì)象的突變點(diǎn)檢測(cè)，因此選取‘wname’=‘db5’和‘wname’=‘db6’進(jìn)行對(duì)比分析。

首先選取一個(gè)典型的磁滯不合格樣本，如圖1所示，其中圖1(a)為磁滯不合格的測(cè)試PWM-流量曲線圖，圖1(b)為MATLAB將40個(gè)流量值序列按順序繪制的原始信號(hào)圖。從圖1可以看出跳變發(fā)生在序列的第10個(gè)點(diǎn)處。

圖1 流量數(shù)據(jù)原始曲線圖

取N=3，‘wname’=‘db5’，對(duì)信號(hào)進(jìn)行小波分解，取‘type’=‘d’，對(duì)分解的序列進(jìn)行高頻重構(gòu)，提取細(xì)節(jié)信息。

如圖2所示，d1、d2、d3表示對(duì)分解的信號(hào)進(jìn)行1～3層的高頻重構(gòu)，可以看出d1的重構(gòu)信號(hào)最能體現(xiàn)出原始信號(hào)的跳變，在第10個(gè)點(diǎn)處有最小值，正對(duì)應(yīng)了原始信號(hào)中的跳變位置。實(shí)驗(yàn)證實(shí)對(duì)于檢測(cè)磁滯不合格與卡滯不合格中存在的跳變情況，相比之下，1層重構(gòu)信號(hào)能最好地反映出原始信號(hào)的跳變點(diǎn)。

圖2 小波分解重構(gòu)示意圖

仍就該原始信號(hào)對(duì)比其Daubechies5小波和Daubechies6小波的分解效果，現(xiàn)在只對(duì)比d1的重構(gòu)信號(hào)，如圖3所示。

圖3 db5小波與db6小波分解示意圖

圖3中，實(shí)線表示db5小波分解、重構(gòu)后的信號(hào)圖，虛線表示db6小波分解、重構(gòu)后的信號(hào)圖?？梢钥闯鰞蓚€(gè)曲線趨勢(shì)基本相同，都能通過其最小值找出跳變點(diǎn)。

為了驗(yàn)證此方法對(duì)于所有磁滯不合格情況都有效，對(duì)20個(gè)挑選出來能代表目前所出現(xiàn)的所有卡滯情況的樣本進(jìn)行試驗(yàn)，結(jié)果顯示通過此方法都能找出跳變點(diǎn)。對(duì)于卡滯不合格情況，跳變的形式與磁滯不合格情況類似，僅是跳變位置不同，此方法同樣適用。

1.2 小波對(duì)比選擇實(shí)驗(yàn)

對(duì)OCV的磁滯和卡滯不合格的檢測(cè)，雖然db5與db6兩種小波都能取得不錯(cuò)的效果，但是實(shí)際應(yīng)用中需要選取一個(gè)更為合適的小波。從圖3中可以看出，實(shí)線最值的絕對(duì)值比虛線最值的絕對(duì)值大，即峰值更突出更明顯，說明對(duì)于所選原信號(hào)，db6小波具有更好的分辨率。

為了驗(yàn)證db6小波是否對(duì)于所有的磁滯和卡滯不合格情況的效果比db5小波更好，做了如下比較實(shí)驗(yàn)：將選取的20個(gè)樣本分別用db5與db6小波進(jìn)行分解和重構(gòu)，比較重構(gòu)后兩組數(shù)據(jù)中最大值與次大值的差。實(shí)驗(yàn)所選取的樣本中，流量數(shù)據(jù)均只有一個(gè)跳變點(diǎn)，因此其最大值與次大值之差可以正確地反映所用小波檢測(cè)流量跳變點(diǎn)的分辨能力。

圖4 兩種小波對(duì)跳變點(diǎn)的分辨能力比較示意圖

如圖4所示，橫坐標(biāo)表示樣本的序號(hào)，縱坐標(biāo)表示重構(gòu)序列中絕對(duì)值最大值與絕對(duì)值次大值的差值，該值反映了對(duì)于體現(xiàn)原信號(hào)中跳變點(diǎn)的分辨率。帶“o”曲線代表使用的是db6小波，而帶“+”的曲線代表使用的是db5小波?？梢钥闯觯褂胐b6小波比db5小波在判斷磁滯和卡滯不合格方面的分辨率更高；并且對(duì)于第19個(gè)樣本，使用db5小波對(duì)跳變的識(shí)別力極差，而db6小波則有較好的表現(xiàn)。

通過上述實(shí)驗(yàn)可以得出結(jié)論：對(duì)于磁滯不合格和卡滯不合格的情況，利用db5和db6小波都能準(zhǔn)確地找出跳變點(diǎn)，但是使用db6小波效果會(huì)更好。因此可以通過小波分析的方法對(duì)OCV閥的卡滯不合格與磁滯不合格進(jìn)行檢測(cè)，從而提高測(cè)試結(jié)果的準(zhǔn)確性。進(jìn)一步實(shí)驗(yàn)可得出，對(duì)于所有存在磁滯和卡滯不合格樣本，使用db6小波進(jìn)行分解和重構(gòu)后的序列中的最大絕對(duì)值為0.109 7，而對(duì)于選取的40組合格樣本序列中最大的絕對(duì)值為0.096 1。則判斷是否存在突變點(diǎn)的閾值可以選擇0.096 1～0.109 7的中間值。

2 OCV閥質(zhì)量檢測(cè)的人工神經(jīng)網(wǎng)絡(luò)方法

盡管小波方法能夠解決磁滯和卡滯不合格判斷不準(zhǔn)確的問題，但是對(duì)于測(cè)試的參數(shù)標(biāo)準(zhǔn)時(shí)常調(diào)整無法確定的問題就需要采用其他方法解決。雖然對(duì)于不同的測(cè)試臺(tái)、不同的測(cè)試環(huán)境下采集的測(cè)試數(shù)據(jù)存在差異，但對(duì)于同一個(gè)產(chǎn)品，其特征總是相同的，這些特征往往隱藏在其測(cè)試的數(shù)據(jù)中。只要對(duì)這些數(shù)據(jù)進(jìn)行合理的分析，就能提取出其中的特征并將其分類。利用BP網(wǎng)絡(luò)方法就可以在不同的測(cè)試系統(tǒng)環(huán)境下找出合格產(chǎn)品和不合格產(chǎn)品，并分辨出產(chǎn)品屬于哪類不合格。

使用BP網(wǎng)絡(luò)，首先要構(gòu)建好BP網(wǎng)絡(luò)的結(jié)構(gòu)，包括如下內(nèi)容：確定網(wǎng)絡(luò)的輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)，確定網(wǎng)絡(luò)隱含層層數(shù)，確定隱含層和輸出層節(jié)點(diǎn)的轉(zhuǎn)移函數(shù)。

根據(jù)對(duì)所研究的對(duì)象實(shí)驗(yàn)分析，確定構(gòu)建的BP網(wǎng)絡(luò)為3層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層節(jié)點(diǎn)數(shù)為40，隱含層節(jié)點(diǎn)數(shù)為37，輸出層節(jié)點(diǎn)數(shù)為7，隱含層和輸出層節(jié)點(diǎn)轉(zhuǎn)移函數(shù)為logsig和purelin。輸入層輸入數(shù)據(jù)為采集OCV閥的40個(gè)流量值，輸出層輸出值與對(duì)應(yīng)的產(chǎn)品分類結(jié)果如表1所示。

表1 網(wǎng)絡(luò)輸出與分類結(jié)果對(duì)應(yīng)關(guān)系

3 BP網(wǎng)絡(luò)對(duì)OCV閥分類的仿真實(shí)驗(yàn)

3.1 訓(xùn)練樣本的選擇和學(xué)習(xí)率的設(shè)定

對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練主要注意兩個(gè)問題：訓(xùn)練樣本的選擇和學(xué)習(xí)率的選擇。訓(xùn)練樣本要盡可能全面，覆蓋所有的類型及每個(gè)類型的各種形式。訓(xùn)練的樣本還應(yīng)該均勻，即對(duì)產(chǎn)品的每個(gè)類型的樣本數(shù)量盡可能相同，對(duì)每種類型下的不同形式的樣本數(shù)也要盡可能平均。

網(wǎng)絡(luò)學(xué)習(xí)率包括權(quán)值學(xué)習(xí)率和閾值學(xué)習(xí)率，取值一般在0～1之間，它對(duì)網(wǎng)絡(luò)訓(xùn)練的影響是：當(dāng)網(wǎng)絡(luò)學(xué)習(xí)率較大時(shí)網(wǎng)絡(luò)學(xué)習(xí)速度較快，但在學(xué)習(xí)過程中容易產(chǎn)生震蕩，難以將預(yù)測(cè)誤差收斂到一個(gè)較小的范圍內(nèi)，也容易使網(wǎng)絡(luò)陷入局部最小。而較小的學(xué)習(xí)率可以將網(wǎng)絡(luò)預(yù)測(cè)誤差收斂到較小的范圍，但是學(xué)習(xí)過程緩慢。對(duì)于訓(xùn)練用于對(duì)OCV閥質(zhì)量進(jìn)行分類的網(wǎng)絡(luò)，最重要的是網(wǎng)絡(luò)的預(yù)測(cè)誤差和分類能力，而訓(xùn)練網(wǎng)絡(luò)所用時(shí)間代價(jià)可以不用考慮。因此在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)應(yīng)選擇較小的學(xué)習(xí)率。

根據(jù)上述原則，從OCV閥測(cè)試時(shí)采集的流量數(shù)據(jù)中選取了一共105個(gè)訓(xùn)練樣本，對(duì)產(chǎn)品所劃分的7個(gè)類型每種類型選取了15個(gè)樣本。考慮到測(cè)試環(huán)境中的溫度的影響，以及液壓站的不穩(wěn)定和中途經(jīng)過調(diào)節(jié)因素，選擇的樣本產(chǎn)生時(shí)間上的分布也是均勻的。而測(cè)試樣本一共選取了70個(gè)，每種類型10個(gè)樣本。權(quán)值和閾值的學(xué)習(xí)率分別為0.001和0.005。

3.2 網(wǎng)絡(luò)訓(xùn)練及預(yù)測(cè)實(shí)驗(yàn)結(jié)果

將105個(gè)樣本對(duì)建立好的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練次數(shù)為20 000次，學(xué)習(xí)目標(biāo)為對(duì)7個(gè)分類的誤差絕對(duì)值最大的數(shù)小于0.05，即訓(xùn)練次數(shù)達(dá)到20 000次或者達(dá)到0.05的學(xué)習(xí)目標(biāo)就會(huì)停止訓(xùn)練。

如圖5所示，網(wǎng)絡(luò)最終進(jìn)行了20 000次的訓(xùn)練，說明并沒有達(dá)到預(yù)期的學(xué)習(xí)目標(biāo)，但可以看出誤差率已經(jīng)趨于平穩(wěn)。而且這是通過多次嘗試，訓(xùn)練得最好的一次情況。

圖5 網(wǎng)絡(luò)訓(xùn)練誤差曲線圖

將訓(xùn)練好的網(wǎng)絡(luò)對(duì)70個(gè)測(cè)試樣本進(jìn)行分類測(cè)試，其預(yù)測(cè)結(jié)果如圖6所示。

圖6 BP網(wǎng)絡(luò)預(yù)測(cè)輸出

圖6中帶“°”的線代表網(wǎng)絡(luò)的期望輸出，帶“*”的線代表著網(wǎng)絡(luò)的實(shí)際輸出。輸出值從1～7依次代表產(chǎn)品的7種類型?？梢钥吹骄W(wǎng)絡(luò)對(duì)70個(gè)測(cè)試樣本分類基本上都能成功，但還有4個(gè)產(chǎn)生了誤判，綜合正確率為0.94。對(duì)于OCV閥的7種類型的分類正確率如表2所示。

表2 網(wǎng)絡(luò)分類正確率

從表2可以看出，盡管BP網(wǎng)絡(luò)具有較高的分類能力，但是網(wǎng)絡(luò)的分類結(jié)果還是存在一定誤差。圖7顯示了網(wǎng)絡(luò)對(duì)于每個(gè)樣本進(jìn)行預(yù)測(cè)的誤差絕對(duì)值平均數(shù)，該值是由樣本的7個(gè)預(yù)測(cè)輸出與期望輸出差值的絕對(duì)值取平均而得到的。

圖7 網(wǎng)絡(luò)的預(yù)測(cè)誤差

圖7中的樣本次序與圖6的樣本次序是一致的，可以看出誤差絕對(duì)值平均數(shù)的大小與是否準(zhǔn)確預(yù)測(cè)并無直接聯(lián)系，因?yàn)榕袛喈a(chǎn)品的類型是通過找到網(wǎng)絡(luò)輸出的7個(gè)值中有最大值的輸出項(xiàng)，只要與其類型對(duì)應(yīng)的輸出項(xiàng)有最大值就能正確分類，而且當(dāng)輸出項(xiàng)中的最大值大于1或最小值小于0時(shí)會(huì)造成輸出誤差，但不會(huì)影響分類結(jié)果。

3.3 實(shí)驗(yàn)結(jié)果分析和改進(jìn)方法

通過實(shí)驗(yàn)發(fā)現(xiàn)，BP網(wǎng)絡(luò)雖然能夠在對(duì)OCV閥質(zhì)量分類上取得較好的效果，但仍存在誤判的現(xiàn)象。而且雖然有些樣本能夠判斷正確，但是其輸出值確實(shí)模糊的，即輸出的最大值與次大值的差很小。通常在生產(chǎn)中最關(guān)心的問題是產(chǎn)品是否合格，至于不合格產(chǎn)品是屬于哪一類并不是生產(chǎn)過程關(guān)心的重點(diǎn)。因此可設(shè)置模糊區(qū)間解決存在誤判的問題：設(shè)置一個(gè)模糊閾值Δφ，當(dāng)網(wǎng)絡(luò)輸出值中最大值與次大值的差大于Δφ時(shí)，根據(jù)輸出最大值的節(jié)點(diǎn)序號(hào)確定該樣本的分類，并認(rèn)為分類是準(zhǔn)確的；但當(dāng)最大值與次大值的差小于Δφ時(shí)，認(rèn)為網(wǎng)絡(luò)對(duì)該類樣本的分類是模糊的、不可靠的，此時(shí)可以將該類樣本的原始數(shù)據(jù)保存在同一位置，交由人工統(tǒng)一處理。

當(dāng)閾值Δφ較大時(shí)，雖然能保證分類結(jié)果中不會(huì)把非合格的產(chǎn)品判斷為合格產(chǎn)品，但是存在將合格產(chǎn)品歸于分類模糊的產(chǎn)品的問題，加大了人工處理的工作量。而當(dāng)閾值Δφ較小時(shí)，很可能就將不合格產(chǎn)品分類為合格產(chǎn)品。那么就要在這兩種矛盾中找到平衡點(diǎn)，即在保證合格產(chǎn)品質(zhì)量的情況下盡可能地減少人工處理模糊分類結(jié)果的時(shí)間。

圖8所示是在當(dāng)前預(yù)測(cè)結(jié)果下，誤判樣本數(shù)與模糊樣本數(shù)隨模糊閾值Δφ變化的曲線圖。在圖中，2號(hào)線代表誤判樣本，3號(hào)線代表合格模糊的樣本，1號(hào)線代表總模糊樣本。合格模糊樣本即神經(jīng)網(wǎng)絡(luò)判斷合格但不滿足模糊閾值的分類準(zhǔn)確條件和神經(jīng)網(wǎng)絡(luò)判斷不合格且不滿足模糊閾值的分類準(zhǔn)確條件，且網(wǎng)絡(luò)輸出次大值由Y1輸出的樣本。

圖8 誤判樣本與模糊樣本數(shù)隨閾值變化曲線圖

從圖8可以看出，隨著閾值的不斷增大誤判的數(shù)量隨減少，而模糊的樣本數(shù)量會(huì)不斷增加，而且總模糊樣本數(shù)增加最快。當(dāng)Δφ取值為0.16時(shí)誤判數(shù)為0，總模糊樣本數(shù)約為13，但合格模糊樣本數(shù)只有2。因?yàn)樯a(chǎn)過程中最關(guān)心的只是產(chǎn)品是否合格，只需將合格模糊的樣本數(shù)據(jù)交由人工處理，所以效果比較理想。

綜上，BP網(wǎng)絡(luò)整體上的分類效果比較理想，但是仍存在誤判，由此引入了模糊閾值 。對(duì)于本例，模糊閾值取值在0.16～0.26之間可以將誤判率降低到0，而需交由人工處理的合格模糊的樣本比率也只有2.9%。相比之前需要技術(shù)人員監(jiān)測(cè)整個(gè)測(cè)試過程，效率已大幅提高。

4 結(jié)論

針對(duì)現(xiàn)有的OCV閥測(cè)試方法中測(cè)試軟件對(duì)產(chǎn)品結(jié)果判斷不準(zhǔn)確，需要專門的技術(shù)人員干預(yù)測(cè)試過程的問題，本文將小波方法和BP網(wǎng)絡(luò)方法應(yīng)用在OCV閥的測(cè)試中。小波方法解決了測(cè)試中最主要的磁滯不合格與卡滯不合格判斷不準(zhǔn)確的問題，而對(duì)其他問題的測(cè)試仍沿用原來的測(cè)試方法。而BP網(wǎng)絡(luò)方法可以對(duì)OCV閥的7種類型都能檢測(cè)出，提高了測(cè)試結(jié)果的準(zhǔn)確性，而且不依賴于穩(wěn)定的測(cè)試系統(tǒng)環(huán)境，解決了測(cè)試標(biāo)準(zhǔn)需要經(jīng)常進(jìn)行微調(diào)的問題。

[1] 李智. VVT發(fā)動(dòng)機(jī)OCV閥及執(zhí)行器在線測(cè)試系統(tǒng)[D].武漢：武漢理工大學(xué),2012.

[2] 陳儉. 單頂置凸輪軸式發(fā)動(dòng)機(jī)VVT機(jī)構(gòu)的研制[D].濟(jì)南：山東大學(xué),2013.

[3] 章琴,劉以安.基于改進(jìn)的Morlet小波變換的雷達(dá)信號(hào)特征提取[J].微型機(jī)與應(yīng)用,2015,34(10):70-73.

[4] 呂媛,秦祖軍,梁國令，等.融合數(shù)字累加平均和小波變換的信號(hào)降噪測(cè)試[J].微型機(jī)與應(yīng)用,2015,34(7):13-15,19.

Pattern recognition method of OCV testing

Liu Yanli1, Zhou Zhao2

(1. College of Mechanical and Electrical Engineering, Hubei Business College, Wuhan 430079, China;2.College of Information Engineering, Wuhan University of Technology, Wuhan 430070, China)

To improve the presence of the inaccurate test results and low test efficiency in the OCV testing， this paper has proposed the method which uses frequency domain analysis to analyze the test data collection and selects the wavelet transform to analyze flow data to judge the products. And then it studied BP neural network of the method of OCV valve quality testing application. The results show that it can solve inaccurate test problem, and the method does not require frequent adjustment test criteria better environmental adaptability. But there are still misjudgement. This proposed method uses fuzzy threshold, so product test data can be saved by fuzzy classification manual processing. Experiment results show that this method can reduce the rate of miscarriage of justice to 0, and compared to the existing test methods, efficiency has been greatly improved.

OCV ; wavelet transform; BP neural network

TP237

A

1674-7720(2016)02-0047-04

劉艷麗， 周照. OCV閥質(zhì)量檢測(cè)的模式識(shí)別方法[J] .微型機(jī)與應(yīng)用，2016,35(2)：47-50.

2015-09-22)

劉艷麗(1988-),通信作者,女,碩士研究生,助教,主要研究方向：人工智能應(yīng)用, 信號(hào)處理與調(diào)制解調(diào)技術(shù)。 E-mail: lyl19881228@163.com。

周照(1988-),男, 碩士研究生, 助教，主要研究方向：信號(hào)檢測(cè)與處理,通信技術(shù)與應(yīng)用。