噴油泵實(shí)驗(yàn)最終論文

《噴油泵實(shí)驗(yàn)最終論文》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、噴油泵問(wèn)題摘要木文通過(guò)建立數(shù)學(xué)模型研究了柴油機(jī)噴油泵的油量調(diào)節(jié)桿的位移、噴油泵的轉(zhuǎn)速和平均供油量的函數(shù)關(guān)系。下面就簡(jiǎn)述一下我們的思路：由于題目是給出數(shù)據(jù)要求建立三個(gè)變量Z間的函數(shù)關(guān)系，因此我們先通過(guò)SPSS軟件假設(shè)出所有可能出現(xiàn)的函數(shù)模型，然后導(dǎo)入已知數(shù)據(jù)，觀察所建立的數(shù)學(xué)模型與已知數(shù)據(jù)的擬合程度，從而決定出變量之間的函數(shù)關(guān)系。一、問(wèn)題重述為使車用柴油機(jī)滿足日益嚴(yán)格的排放法規(guī)和要求更高的燃油經(jīng)濟(jì)性及動(dòng)力性，需要實(shí)時(shí)優(yōu)化柴油機(jī)的運(yùn)轉(zhuǎn)參數(shù)并進(jìn)行控制，傳統(tǒng)的機(jī)械式調(diào)速系統(tǒng)難以達(dá)到要求，希望建立機(jī)電調(diào)速系統(tǒng)能實(shí)時(shí)優(yōu)化柴油機(jī)的運(yùn)轉(zhuǎn)參數(shù)并進(jìn)行控制。為此研究柴油機(jī)噴油泵的油量調(diào)節(jié)桿的位移、噴油泵的轉(zhuǎn)速和

2、平均供油量的關(guān)系。在試驗(yàn)屮，逐步由低向高調(diào)節(jié)噴油泵的轉(zhuǎn)速，測(cè)量并記錄相應(yīng)的轉(zhuǎn)速、調(diào)節(jié)桿的位移和平均供油量，直到最高停油轉(zhuǎn)速為止（實(shí)驗(yàn)數(shù)據(jù)見(jiàn)附表）。問(wèn)題：（1）試建立油量調(diào)節(jié)桿的位移與噴油泵的轉(zhuǎn)速的函數(shù)關(guān)系；（2）試建立油量調(diào)節(jié)桿的位移與平均供油量的函數(shù)關(guān)系；（3）分別在油量調(diào)節(jié)桿位移為2,6和11.5三點(diǎn)上估計(jì)噴油泵的轉(zhuǎn)速和平均供油量。附錄：轉(zhuǎn)速（單位：轉(zhuǎn)/分）位移（單位：mm）供油量（單位：mI/100次）9912.117.8510011.917.7514911.817.4515011.717.4220011.617.3820511.617.325011.617.252511117.25

3、3009.9173509.813.954009.313.24509」12.855008.812.45508.712.156008.311.96508.211.57007.810.87507.5108005.35.458504.33.890033.29501.52100000二、模型假設(shè)線性回歸概念：線性冋歸是利用數(shù)理統(tǒng)計(jì)中的冋歸分析，來(lái)確定兩種或兩種以上變數(shù)間相互依賴的定量關(guān)系的一種統(tǒng)計(jì)分析方法之一，運(yùn)用十分廣泛。分析按照自變量和因變量之間的關(guān)系類型，可分為線性回歸分析和井線性回歸分析。如果在回歸分析中，只包括一個(gè)自變量和一個(gè)因變量，H二者的關(guān)系可用一條直線近似表示，這種冋歸分析稱為一元線

4、性冋歸分析。如果回歸分析中包括兩個(gè)或兩個(gè)以上的自變量，且因變量和自變量Z間是線性關(guān)系，則稱為多元線性回歸分析。數(shù)據(jù)組說(shuō)明線性回歸：我們以一簡(jiǎn)單數(shù)據(jù)組來(lái)說(shuō)明什么是線性回歸。假設(shè)有一組數(shù)據(jù)型態(tài)為y=y(x),其中x={0,1,2,3,4,5},y={0,20,60,68,77,110}如果我們要以一個(gè)最簡(jiǎn)單的方程式來(lái)近似這組數(shù)據(jù)，則非一階的線性方程式莫屬。先將這組數(shù)據(jù)繪圖如下圖中的斜線是我們隨意假設(shè)一階線性方程式y(tǒng)=20x,用以代表這些數(shù)據(jù)的一個(gè)方程式。以下將上述繪圖的MATLAB指令列出，并計(jì)算這個(gè)線性方程式的y值與原數(shù)據(jù)y值間誤差平方的總合。?x=[012345]；?y=[02060687

5、7110];?y1=20*x;%一階線性方程式的y1值?sum_sq=sum((y-y1).A2);%誤差平方總合為573?axis([-1,6,-20,120])?plot(x,y1,x,y,'o‘)，title('Linearestimate*),grid如此任意的假設(shè)一個(gè)線性方程式并無(wú)根據(jù)，如果換成其它人來(lái)設(shè)定就可能采用不同的線性方程式；所以我們須要有比較精確方式?jīng)Q定理想的線性方程式。我們可以要求誤差平方的總合為最小，做為決定理想的線性方程式的準(zhǔn)則，這樣的方法就稱為最小平方誤差(leastsquareserror)或是線性回歸。MATLAB的polyfit函數(shù)提供了從一階到高階多項(xiàng)式

6、的回歸法，其語(yǔ)法為polyfit(x,y,n),其中x,y為輸入數(shù)據(jù)組n為多項(xiàng)式的階數(shù)，就是一階的線性回歸法。polyfit函數(shù)所建立的多項(xiàng)式可以寫(xiě)成從polyfit函數(shù)得到的輸出值就是上述的各項(xiàng)系數(shù)，以一階線性回歸為例n=1,所以只肴二個(gè)輸出值。如果指令為coef=polyfit(x,y,n),貝ijcoef(1)=,coef(2)=,...,coef(n+1)=。注意上式對(duì)n階的多項(xiàng)式會(huì)有n+1項(xiàng)的系數(shù)。我們來(lái)看以下的線性回歸的示范：?x=[012345];?y=[020606877110];?coef=polyfit(x,y,1);%coef代表線性回歸的二個(gè)輸出值?a0=coef(

7、1);a1=coef(2);?ybest=a0*x+a1;%占線性回歸產(chǎn)生的一階方程式?sum_sq=sum(y-ybest).A2);%誤差平方總合為356.82?axis([-1,6,-20,120])?plot(x,ybest,x,y,'o,),title(*Linearregressionestimate'),grid對(duì)于本題，我們可以看出，所給出的已知數(shù)據(jù)極有可能適合線性回歸的特性，一次，我們?cè)诖嗽O(shè)建立的模型為