基于小波和神经网络的焊接缺陷识别方法

超声检测是钢结构焊缝质量检验的常用方法,本文针对超声检验中缺陷类型识别困难的问题,提出一种定性方法.首先利用小波包变换提取超声回波信号的能量作为特征向量,然后将得到的特征向量输入到BP神经网络中,应用于裂纹、气孔、未焊透三类缺陷,识别率达到了86.7％.结果表明：基于小波包变换和BP神经网络的钢结构焊缝缺陷定性方法是十分有效的.     

基于小波和神经网络的焊接缺陷识别方法

超声检测是钢结构焊缝质量检验的常用方法,本文针对超声检验中缺陷类型识别困难的问题,提出一种定性方法.首先利用小波包变换提取超声回波信号的能量作为特征向量,然后将得到的特征向量输入到BP神经网络中,应用于裂纹、气孔、未焊透三类缺陷,识别率达到了86.7%.结果表明:基于小波包变换和BP神经网络的钢结构焊缝缺陷定性方法是十分有效的.     

超声相控阵检测CFRP缺陷识别方法

碳纤维增强复合材料(CFRP)以其特殊的性能广泛应用在不同领域,然而缺陷的存在严重影响材料的性能,造成重大的经济损失,甚至存在安全隐患,因此,碳纤维复合材料的无损检测与缺陷识别已成为该领域的研究热点之一.利用超声相控阵系统检测CFRP中3种常见缺陷——分层、夹杂和脱粘,得到原始A扫信号,运用小波包变换理论,提取样本特征值,建立并训练BP神经网络,对3种缺陷进行识别,识别率达到95.7%.结果表明:利用超声相控阵技术可以提高缺陷检测效率,对缺陷有良好的成像效果;小波包与BP神经网络的结合,对CFRP中的不同缺陷有较高的识别率.     

小波分析与神经网络在结构损伤监测中的应用

采用小波分析对获得的结构动力响应进行小波分解,根据各种响应信号对损伤的灵敏度选择损伤特征,从而识别结构出现损伤的时刻,以实现对其监控;分别对结构第一层位移响应信号和加速度响应信号做小波包分解得到各频段能量的特征向量,并分别作为特征参数输入到BP神经网络中实现损伤识别;比较了位移响应信号和加速度响应信号对损伤识别的灵敏性．模拟算例表明,小波分析和BP神经网络联合运用能准确地诊断结构损伤时刻、损伤位置和程度,具有一定的可行性．     

基于支持向量机的气液两相流流型识别新方法

为准确识别两相流型，提出了基于小波包多尺度信息熵和支持向量机的流型识别方法．利用小波包变换对采集到的水平管空气-水两相流压差波动信号进行3层小波包分解，得到8个不同频带的信号，提取各频带信号的小波包多尺度信息熵作为流型的特征向量，运用支持向量机进行训练并识别流型．结果表明：与BP神经网络相比，采用支持向量机进行流型识别可以获得更高的识别率，表明该方法是有效、可行的．     

小波分析与人工神经网络结合对混凝土缺陷超声信号识别的应用

混凝土缺陷的无损检测的准确率和可靠性一直不太理想.本文根据混凝土缺陷超声检测信号非稳态的特点,利用小波包变换提取反映缺陷性质的特征值,并运用神经网络模式识别技术对特征值进行缺陷识别.预制了一组具有裂缝缺陷的混凝土试件,并对其进行了检测,检测结果表明利用小波包变换与人工神经网络相结合的方法进行缺陷识别,可使缺陷位置和范围的判别获得较高的准确率.     

基于神经网络的超声导波锚杆剥离缺陷的识别

结合小波包分解技术与神经网络,提出了超声导波检测锚杆剥离缺陷的方法。首先,利用ANSYS-LSDYNA进行了数值模拟,在锚杆的顶端施加扫描激励波,得到了完好和剥离工况下的锚杆动态响应信号,利用小波包分解获得了缺陷参数与小波包能谱之间的关系,以小波包能谱作为输入向量训练适用于锚杆无损检测的神经网络,将剥离状况作为输出,建立了神经网络系统。最后利用混有不同噪声,且未参于训练的导波检测信号验证了神经网络检测的有效性。数值算例表明,该方法对噪声水平小于40%的检测信号,具有较好的识别结果。     

基于小波神经网络的抽油杆缺陷识别

为了正确识别深井泵抽油系统中抽油杆杆体的缺陷以减少油杆井下断裂等事故的发生,讨论了应用小波变换和神经网络技术进行缺陷识别的方法.使用小波与神经网络松散型结合的方法,基于小波包原理,将抽油杆的时域检测信号分解到独立的频带内,应用自适应学习速率梯度下降动量法的BP网络,将提取的频带能量作为神经网络输入,抽油杆的裂纹、腐蚀坑、偏磨、损伤及无缺陷作为神经网络待识别输出.经过实验室大量的实验数据训练和验证,结果表明,此种方法既可以正确识别抽油杆的单一缺陷,也可以识别混合缺陷.     

基于小波包神经网络分析的滚动轴承故障诊断

针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.     

超声检测中裂纹型缺陷深度的智能识别

为了实现对裂纹型缺陷深度的定量识别,提高超声检测精度,引入小波分析和人工神经网络技术进行缺陷深度的智能识别,从超声检测的基本原理、缺陷深度表征量的确定、超声回波信号缺陷特征量的小波提取、神经网络的结构参数及训练和测试网络等方面,详细探讨了对裂纹型缺陷进行智能识别的方法,论证了运用神经网络进行缺陷智能定量识别的可行性,构造了智能识别实验系统,并利用该系统对所加工的含缺陷试样进行了定量识别试验与分析,结果表明,小波分析和人工神经网络技术的引入能够为超声检测缺陷的定量识别提供行之有效的途径。     

基于小波包的开关电流电路故障诊断

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性.     

基于零序电压小波包能量比的配网单相高阻接地故障辨识分析

配网高阻故障大多是架空线接触高阻抗物体引起的单相高阻接地故障,难以通过稳态特征进行识别。基于等值网络分析故障产生高频分量的原因并考虑正常状态对辨识的影响,提出一种基于零序电压小波包能量比的配网单相高阻接地故障辨识方法。利用小波包频段分解对零序电压进行能量特征提取,提取低频段能量与高频段能量的比值作为高阻故障的识别特征量。基于某10 kV配电网对方法进行测试,通过BP神经网络的辨识对比结果,证实了方法的有效性;通过中性点接地方式、拓扑结构及故障条件变化等多种因素的分析及仿真,验证了方法的适用性。     

基于分形维数的锚杆无损检测BP神经网络模型

笔者将分形维数的分析方法引入锚固系统的无损检测中,指出分形维数的大小是反射波在该小波分解频段能量大小的量度．在研究锚固系统无损检测反射波小波分解分形维数特征向量的基础上,确定了以锚杆反射波的原波维数、原波平均波幅以及小波包分解维数的8个波形分形维数共10个数值作为输入参数,以锚杆注浆密实度为输出参数的非线性BP神经网络预测模型．对三峡工程右岸地下电站试验锚杆进行训练,验证了锚杆密实度BP神经网络预测模型的合理性和可靠性．     

Wavelet packet based feature extraction and recognition of license plate characters

~~Wavelet packet based feature extraction and recognition of license plate characters1. Poon, J. C. H, Ghadia, M., Mao, G. M. T. et al., A robust vision system for vehicle license plate recognition using gray-scale morphology, in Proc. of the IEEE Interna…     

基于小波包分析与BP神经网络的氧化铝熟料检测

利用小波包分析与BP(Back Propagation)神经网络相结合的算法,对氧化铝熟料检测的应用进行了研究.通过采集回转窑中氧化铝熟料下落碰撞窑壁产生的声音信号,利用小波包分析提取特征向量,根据氧化铝的烧结状况与声音信号特征向量的对应关系,提出建立BP神经网络模型.利用MATLAB对测试样本进行验证,结果表明BP神经网络模型在氧化铝熟料检测中具有可行性,而且具备一定的准确率.     

基于小波包变换的模糊神经网络小电流接地系统故障选线

根据小波包变换和模糊神经网络的特点，提出了基于小波包变换模糊神经网络的一种小电流接地系统单相接地故障选线方法，即利用经过接地后零序电流训练的小波模糊神经网络来判别接地线路。该方法适用于任何小电流接地系统，并且不受负荷谐波、暂态过程、故障点过渡电阻等因素的影响，从理论上解决了传统方法选线准确率低的问题。EMTP仿真计算结果表明，该方法是准确和可靠的，具有实用潜力。     

基于自适应LS-SVM的柴油机进排气系统故障诊断

 提出了应用自适应最小二乘支持向量机和小波包能量特征的柴油机进排气系统故障诊断方法。对气门间隙异常、气阀漏气等几种常见故障和系统正常运行进行小波包分解,提取频带能量作为支持向量机的输入特征向量;然后,利用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行故障分类和识别。对比实验表明,与BP神经网络和采用交叉验证的传统最小二乘支持向量机相比,该方法可克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,提高了传统最小二乘支持向量机算法的寻优速度,在样本数较小时仍可取得较好的效果,能有效诊断柴油机进排气系统故障。