小波分析结合神经网络的桩基缺陷检测

引入一种小波分析结合神经网络的桩基检测方法,根据桩基中超声波传播的特点,利用小波分析对采集的超声波信号进行小波包分解,对分解后的信号进行归一化处理,将超声波信号矩阵化,构建表征桩基缺陷信息的特征向量;再取多组特征向量作为神经网络的训练样本,对特征向量进行训练学习,并将未诊断样本输入神经网络进行识别验证。试验数据表明,通过小波分析方法获取超声波信号特征向量并构建的神经网络可以有效识别出桩基缺陷以及缺陷类型。     

小波神经网络的数据压缩技术在超声自动探伤系统中的应用

为了实现对大型回转体零件内部缺陷的检测与识别,研制了超声波自动检测系统.系统主要完成超声信号的采集和处理、数据的实时存储、缺陷的在线分析与识别等功能.要实现缺陷的在线检测与识别,必然需要大量的原始数据,为了减少数据的存储量,通过小波神经网络提取相应的权重因子,构成小波基的尺度参数和与之对应的平移参数,实现缺陷有用信息的压缩;在缺陷数据重构中,利用上述特性参数并结合信号的特征值,对信号进行拟合.解决了缺陷检测现场大量数据的保存问题,为缺陷的进一步识别提供了基础.     

基于超声相控阵对焊缝缺陷的检测研究

为了解决超声相控阵检测过程中人为造成的缺陷误判及达到对缺陷准确分类的结果,首先对风电塔筒Q345E焊接试板内部预制人工缺陷-气孔、夹杂及裂纹;然后用超声相控阵设备对预制的三种缺陷分别进行检测,提取超声相控阵检测A扫数据。结合超声相控阵信号、小波包自适应分析信号的特点和不同小波基对采集信号的处理效果,选取dB10小波为最优小波基,提取缺陷"频率-能量"特征。最后利用小波包分解的第三层各个节点的缺陷特征能量比例作为BP神经网络输入参数,其缺陷分类结果的精度可达到90%。研究结果表明:以上方法对于Q345E焊接缺陷区分度明显,神经网络分类效果较好。     

基于小波包分析的合成金刚石缺陷超声识别

应用超声波探伤仪系统对合成大颗粒金刚石缺陷进行检测,针对缺陷信号特点提出利用小波包分析提取缺陷特征值,应用小波神经网络进行模式识别的方法,实现了从检测到的超声信号中提取出反映缺陷性质的相关信息,并通过这些信息对其进行分析,建立了网络模型以实现缺陷定性识别。实验结果表明,小波包分析能够挖掘利用缺陷回波信号时域和频域的信息,通过多层次划分频带,使在多分辨分析过程中未进行划分的高频区间再次分解,还可依据小被分析信号特征自适应挑选相对应的频带,达到和信号频谱相互配合,进而达到使时-频分辨率显著提高的效果,可见小波神经网络的良好局部放大特性和多分辨率学习特性,可使合成金刚石缺陷的定性分类获得较高的准确率。     

基于Morlet小波的超声缺陷分类识别方法研究

超声缺陷自动识别是目前无损评判领域内研究的热点。采用改进的Morlet小波对超声缺陷信号进行降噪处理,为获得更全面的缺陷特征,在建立的参数空间基础上为缺陷信号构建特征向量,将这些缺陷信号输入RBF神经网络对获得的超声检波信号进行缺陷分类。实验结果表明:小波降噪算法充分利用超声回波信号的特征信息,降噪效果明显,有利于提高缺陷分类的准确性;RBF神经网络缺陷识别法能有效提取同类别缺陷信号的共同特征,提高缺陷分类准确度。     

铁磁材料漏磁信号处理与缺陷重构

漏磁检测是铁磁材料常用的无损检测方法,检测的重点是根据测量的漏磁信号重构缺陷轮廓.提出了分别利用径向基神经网络和广义回归神经网络,建立由缺陷漏磁信号到缺陷深度的非线性映射.训练样本为三维有限元仿真数据,而测试样本为经过平滑滤波、小波消噪预处理,后经过径向基神经网络精确插值的漏磁检测数据.用训练数据对这两种神经网络分别进...     

基于小波包-概率神经网络的自适应报警技术的研究

结合小波包分析和概率神经网络技术,提出了一种基于小波包分解-概率神经网络的机械故障自适应报警方法.该方法利用小波包获取振动信号各有效频带的能量作为报警参数,用概率神经网络构建设备运行状态模型,根据历史数据确定报警值并设置报警线.实验结果表明该方法是有效的,它克服了设备状态监测中报警线的设置与设备运行情况变化无关的缺陷,该方法在机械设备报警处理系统中有良好的应用前景.     

小波神经网络遗传算法及其在矿山压力预报中的应用

为了克服ＢＰ网络自身算法的缺陷,得到更高的学习精度和更快的收敛速度,将遗传算法、小波分析、人工神经网络和模拟退火思想结合起来,提出了一种遗传小波网络：即用遗传算法来学习小波神经网络层间的权值、尺度参数和位置参数。用两维和三维ＸＯＲ问题对其性能分别进行了测试,取得了理想的效果;将其应用于矿压预报,得到了比传统神经网络更优的效果。     

基于小波神经网络的凸轮轴铸造过程数值仿真研究

利用小波分析和神经网络智能技术,针对凸轮轴铸造充型凝固过程的温度场数值求解问题,提出了小波神经网络算法.用热电偶对凸轮轴铸造温度场进行了实测,并以实测数据为样本进行小波神经网络学习和训练,由训练后的神经网络仿真了凸轮轴铸造过程的温度分布.实践表明,小波神经网络数值仿真快速、准确、合理,仿真结果与实测数据相比最大相对误差为1.83%,可为铸造工艺参数确定提供理论依据.     

基于小波网络的砂轮状态监测方法

提出了一种基于小波神经网络和模糊控制的砂轮状态在线监测方法，该方法通过提取磨削加工过程中有关砂轮状态的声发射信号和功率信号，利用小波神经网络，实现砂轮状态的在线智能化监测；针对多输入输出带来的网络规模增大、收敛速度缓慢等问题，提出采用尺度参数的自适应调整法及平移参数的寻优搜索法，寻找最优小波基元，同时采用模糊自适应BP算法对训练速率系数η和惯性系数α进行在线调整，从而简化了小波网络，减少了学习次数，加快了网络的收敛速度，仿真结果证明了该方法的有效性。     

磨削质量在线智能监测及模糊综合评判

提出了一种基于小波神经网络的磨削质量在线智能监测及模糊综合评判方法，即通过提取反映磨削质量的多种AE信号特征参数，利用小波神经网络的非线性模型和学习机制，实现磨削质量的在线监测，同时，根据监测结果，利用模糊综合评判方法，对磨削加工质量进行在线综合评判，定出磨削质量等级，为进一步调整加工参数提供信息。     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。     

基于小波网络的非导电工程陶瓷电火花加工效果预测模型

针对非导电工程陶瓷双电板同步伺服电火花加工中,由于工艺参数与加工效果间的高度非线性,难以建立精确的数学模型进行效果预测的问题,提出了一种基于小波网络的建模方法.为使小波网络具有更好的学习精度和更快的收敛速度,将遗传算法和BP算法结合起来作为小波网络的学习算法.经验证基于混合学习算法的小波网络较传统神经网络模型具有更快的收敛速度和更高的预测精度.     

基于深度循环神经网络的大规模风力发电功率预测

本文针对目前风力发电功率预测存在超短期、精度差等问题,通过分析大规模风力发电功率特性和风电预测时间序列特性,提出以深度循环神经网络进行预测,结合小波系数多尺度分析的隐马尔可夫预测方法,将深度学习引入到循环神经网络中来,构建基于多尺度隐马尔可夫模型-深度循环神经网络模型的大规模风力发电功率预测模型(MHMM-DRNN)。实例验证相对误差平均值:BP神经网络模型约为31.56%,在预测过程中误差最大,ARMA模型约为23.20%,小波分析约为26.11%,而MHMM-DRNN预测模型约为16.85%,具有较好的实用性。     

基于广义回归神经网络的发动机动力性、经济性预测

神经网络是当前最主要的智能控制技术，它是模拟人脑的结构以及对信息的记忆和处理功能，具有擅长从输入输出数据中学习有用的知识的特性。发动机性能预测是根据发动机结构参数和运转参数来估算推测发动机的各种性能指标，因此可以利用神经网络的学习性的特点，借助神经网络，将各种影响汽油机燃烧过程的主要参数对汽油机的非线性影响以网络模型的形式表示出来。本文讨论了如何抛开数学建模的方式，选用广义回归神经网络进行发动机动力性、经济性的预测，并应用了MATLAB软件工具箱编程，给出一个两缸电控汽油发动机的动力性、经济件预测模型的实例。     

基于卷积神经网络的网络节点异常数据检测方法

异常数据检测是保障无线传感器网络节点数据准确性和可靠性的重要步骤。针对无线传感器网络节点异常数据检测问题,提出一种基于卷积神经网络的异常数据检测方法。该方法是对正常数据和注入故障后生成的异常数据进行归一化处理后映射成的灰度图片作为卷积神经网络的输入数据,并且基于LeNet-5卷积神经网络设计了合适的卷积层特征面及全连接层的参数,构造了3种新的卷积神经网络模型。该模型通过卷积层自主学习数据特征,解决了传统检测算法的性能容易受到相关阈值影响的问题。通过网络公开数据集进行模型测试,结果表明该方法具有很好的检测性能和较高的可靠性     

基于小波去噪和广义回归神经网络的图像重构算法

针对传统基于小波变化的图像超分辨率重构问题,提出了一种结合小波去噪和广义回归神经网络的图像重构算法。首先通过整数小波变换将图像的低频和高频部分进行分解。然后利用中值边缘检测作为预测器并在编码之前设置了误差映射。最后对传统广义回归神经网络的原理进行了分析,并设计了相应的广义回归神经网络。此外,利用期望值最大算法对广义回归神经网络模型参数估计进行了优化。通过超分辨率图像重建仿真实验对提出算法的有效性进行了验证。实验结果表明：提出算法具有较好的去噪能力和较高的重构精度。     

基于神经网络集成学习的冷连轧板形预测

为了实现对冷连轧带钢出口板形的预测,基于粒子群算法对小波神经网络进行了优化,将优化后的网络作为基学习器,并通过bagging算法构建集成学习预测模型,进行冷连轧带钢板形的预测。以某1 450 mm冷连轧生产线数据作为样本,比较了该模型与未经优化的小波神经网络和单个学习器的预测效果。结果表明,集成学习模型预测的带钢出口板形与实测板形的偏差更小,板形预测精度更高,模型泛化性能更好。