应用自组织人工神经网络对磨削烧伤在线辨识的研究

本文运用Ｔ．ｋｏｈｏｎｅｎ人工神经网络对磨削烧伤在线辨识进行了研究。该方法通过自组织、自适应的学习过程，建立了对磨削的二类状态（烧伤、未烧伤）进行识别的计算机智能专家系统。     

基于小波神经网络监测刀具状态的研究

针对切削过程中振动信号和AE信号的特点，提出一种基于小波分析和BP神经网络的刀具磨损监测系统。该系统能融合振动和AE信号的特征，描述信号特征与刀具状态的非线性关系，以此识别刀具状态。试验表明基于小波神经网络的刀具磨损状态监剩系统是有效的。     

基于AE的砂轮智能修整技术研究

本文基于声发射(AE,Acoustic Emission)研究了高精度磨削过程中砂轮的在线智能修整技术。在分析砂轮磨损和修整机理的基础上探讨了声发射技术在砂轮磨损检测中的应用,着重研究了砂轮修整过程中砂轮修整进给量的控制、运动的控制、AE在线智能修整系统的流程和砂轮在线智能补偿的分析。     

基于支持向量机的磨削表面烧伤识别研究

磨削加工是机械加工中的重要工艺之一,磨削烧伤对工件的各方面的性能有很大影响.因此,需要对磨削烧伤进行分级并识别以提高工件品质.论文采用支持向量机法对采集的磨削烧伤图像的颜色以及纹理特征进行深入地分析和研究.研究结果表明,随着数据量的变化,支持向量机模型对不同烧伤类型的识别准确率并不相同,当数据量为500时,支持向量机的类型识别准确率最高为94.02％.基本满足实际工程中对磨削烧伤识别的准确率要求,并具有一定的实际推广意义.     

基于Map-Reduce并行构架和AE的大数据指纹监控识别算法

传统的指纹识别监控方法在应用到以海量、在线和增量为特征的大数据环境中时,不能自动高效地进行识别;由此设计了一种基于Map-Reduce并行框架和AE的大数据智能监控指纹识别算法;首先,设计了基于AE和BP神经网络的识别模型,采用AE进行指纹图像自动特征提取,然后提出了一种基于比较差异算法对AE进行参数初始化的训练算法,采用BP神经网络进行具体识别;最后,将识别过程分解为Map函数和Reduce函数;在Map-Reduce并行框架下对FVC2004中的指纹数据库进行实验,实验结果表明了文中方法能自动、高效地进行指纹识别。     

模糊决策树在磨削状态识别中的应用

磨削过程中磨削烧伤和砂轮磨钝对零件的表面质量影响很大.本文主要研究磨削状态识别的问题.文中建立磨削状态识别模糊决策树,并针对决策空间中无序分布决策类提出了新的推理策略.本文提出的方法在工程实践数据中进行检验,结果证明了该算法的有效性.     

模具钢超高速磨削的温度场仿真

模具钢一般具有较高的淬透性和耐磨性,很难通过磨削实现精密加工.由于利用传统的磨削加工方法会产生大量的磨削热,导致工件发生表面烧伤和裂纹,严重影响工件的加工精度和加工质量.随着目前超高速磨削技术的飞速发展,模具钢等难加工材料的精密磨削已成为可能.为了解决超高速磨削过程中磨削温度的合理控制问题,提出在DEFORM-3D软件上建立单颗磨粒CBN砂轮超高速磨削温度场模型.根据不同砂轮线速度下磨削弧区温度场进行了仿真与分析,发现当磨削速度超过某一数值时,磨削温度不会继续升高,甚至略有下降.证明超高速磨削技术可精密加工普通磨削难以加丁的一些难加工材料,具有重要的现实意义.     

机械磨加工自动检测装置的研制

提出了机械内磨削加工中在线检测的方案,给出了相应的测量电路并进行了分析;讨论了检测系统非线性校正的方法;实验结果证明检测装置具有实际应用性。     

微铣削刀具磨损状态监测方法研究

为提高金属微铣削过程中刀具磨损状态在线监测系统的预测效率与精度,提出一种基于线性判别分析与改进型BP神经网络模型识别刀具磨损的方法;该方法通过传感器与数据采集系统采集微铣削过程振动信号,提取其时域和频域特征并通过线性判别方法进行降维约简;将降维后的特征输入经灰狼优化改进的BP神经网络模型,从而实现微铣刀磨损状态特征的分类;结果表明,提出的微铣刀在线监测方法能够准确识别微铣刀的各种磨损状态;此外,和其它分类算法相比,提出的基于灰狼优化算法的BP神经网络模型在分类精度和计算效率方面具有综合优势;这对实际生产过程中微铣刀的磨损状态监测具有非常重要的实际意义.     

滚动导轨磨削加工尺寸在线测量系统

针对导轨磨削加工尺寸的在线测量问题,本文介绍了一种导轨磨削加工尺寸在线测量系统,该系统以行程开关作工件位置探测器、音圈电机作测头驱动器和电感测头作尺寸检测器,采用相对测量法,配合数据采集卡、工控机和上层处理软件,能对导轨磨削尺寸进行实时检测。     

信息融合在飞行器智能健康诊断中的应用

提出了一种基于经验模态分析(Empirical mode decomposition,EMD)和D-S证据相结合的飞行器健康诊断方法.该方法首先对由声发射传感器募集到的飞行器关键结构部件原始声发射信号进行EMD,得到多个内禀模态分量,选取内禀模态能量构建声发射信号的特征向量,并分别采用模糊神经网络、GRNN网络和Elman神经网络对提取出的特征向量进行分类,最后运用D-S证据理论进行决策融合,对飞行器的健康状态进行诊断.实验表明,运用此方法对某型号真实飞行器关键结构部件的健康状态进行诊断,可以得到很好放入诊断结果.与单分类器相比,采用D-S证据理论进行决策融合有效地提高了故障诊断的精度.     

Combining multi-visual features for efficient indexing in a large image database

The optimized distance-based access methods currently available for multidimensional indexing in multimedia databases have been developed based on two major assumptions: a suitable distance function is known a priori and the dimensionality of the image features is low. It is not trivial to define a distance function that best mimics human visual perception regarding image similarity measurements. Reducing high-dimensional features in images using the popular principle component analysis (PCA) might not always be possible due to the non-linear correlations that may be present in the feature vectors. We propose in this paper a fast and robust hybrid method for non-linear dimensions reduction of composite image features for indexing in large image database. This method incorporates both the PCA and non-linear neural network techniques to reduce the dimensions of feature vectors so that an optimized access method can be applied. To incorporate human visual perception into our system, we also conducted experiments that involved a number of subjects classifying images into different classes for neural network training. We demonstrate that not only can our neural network system reduce the dimensions of the feature vectors, but that the reduced dimensional feature vectors can also be mapped to an optimized access method for fast and accurate indexing. Received 11 June 1998 / Accepted 25 July 2000 Published online: 13 February 2001     

基于小波神经网络的大功率电器识别技术研究

针对公寓用电中的大功率电器识别问题,提出利用小波神经网络对大功率电器进行识别.由于采集到的电网电流信号是基波信号和谐波信号的混合,因此需要进行信号分离.基于Mallat快速算法进行小波变换提取其中的谐波电流信号;将总电流的平均功率增量和谐波电流的平均功率增量经过归一化处理后作为大功率电器识别的特征向量,利用得到的特征向量对融合型小波神经网络进行基于BP算法的网络训练;利用训练好的小波神经网络对未知的电网电流数据进行识别,实现大功率电器的在线识别和预警.对比仿真实验表明:利用小波神经网络对大功率电器识别比传统的BP神经网络有更高的准确率.     

飞行器导航传感器故障诊断的应用研究

研究导航传感器故障诊断问题,由于飞行器导航传感器所处环境十分复杂,导航系统由多种部件组成,故障存在许多随机性、模糊性和不确定性因素,难以建立确定数学模型。传统线性模型故障诊断准确率低。为了提高飞行器导航传感器故障诊断准确率,提出一种神经网络的导航传感器故障诊断方法。飞行器导航传感器发生故障时信号中会产生突变成分,利用小波包对原始故障信号进行分解,提取信号特征向量,然后将特征向量输入神经网络训练,实现飞行器导航传感器故障智能化诊断。在Matlab平台实现传感器故障诊断的仿真,结果表明,神经网络提高了飞行器导航传感器故障诊断的准确率,是一种在线、行之有效的导航传感器故障方法。     

Optimization of stochastic networks using simulated annealing for the storage and recalling of compressed images using SOM

In this paper we are studying the optimization of Stochastic Hopfield neural network and the hybrid SOM–Hopfield neural network for the storage and recalling of fingerprint images. The feature extraction of these images has been performed using FFT, DWT and SOM. The feature vectors are stored in the Hopfield network with Hebbian learning and modified Pseudoinverse learning rules. The study explores the tolerance of Hopfield neural networks for reducing the effect of spurious minima in the recalling process by employing the Simulated annealing process. It is observed from the simulations that the capabilities of the Hopfield network can be sufficiently enhanced by making modifications in the feature extraction of the input data. DWT and SOM together can be used to significantly enhance the recall efficiency. The probability of error in recall in the form of spurious minima is minimized by adopting simulated annealing process in the pattern recalling process.     

Predicting grinding burn using artificial neural networks

This paper introduces a method for predicting grinding burn using artificial neural networks (ANN). First, the way to model grinding burn via ANN is presented. Then, as an example, the prediction of grinding burn of ultra-strength steel 300M via ANN is given. Very promising results were obtained.     

Mesh Generation from Dense 3D Scattered Data Using Neural Network

An improved self-organizing feature map (SOFM) neural network is presented to generate rectangular and hexagonal lattic with normal vector attached to each vertex. After the neural network was trained, the whole scattered data were divided into sub-regions where classified core were represented by the weight vectors of neurons at the output layer of neural network. The weight vectors of the neurons were used to approximate the dense 3-D scattered points, so the dense scattered points could be reduced to a reasonable scale, while the topological feature of the whole scattered points were remained.     

基于Kohonen神经网络的B样条曲面重构

探讨了三维散乱数据点的自由曲面自组织重构方法。建立了基于自组织特征映射神经网络的矩形网格重构模型及其训练算法。所建模型利用神经元对曲面散乱数据点的学习和训练来模拟曲面上点与点之间的内在关系,节点连接权向量集作为对散乱数据点集的工程近似化并重构曲面样本点的内在拓扑关系。通过该方法不仅能够对无规则散乱数据点进行逼近,并且通过该方法得到的曲面也可以作为后继曲面重构的初始曲面。仿真实验表明,所建神经网络模型可实现三维密集无规则数据点的曲面自组织重构集自压缩于一体。     

基于扩展BP神经网络的一类非线性系统自适应控制设计

针对单输入单输出非线性系统的不确定性问题,提出了一种新型的基于扩展反向传播（BP）神经网络的自适应控制方法。首先,采用离线数据来训练BP神经网络的权值向量;然后,通过在线调节伸缩因子和逼近精度估计值的更新律,从而来达到控制整个系统的目的。在控制器的设计过程中,利用李亚普诺夫稳定性分析原理,保证了闭环系统的所有状态一致终极有界（UUB）。相比传统的BP神经网络自适应控制,所提方法能有效地减少在线调节的参数数目、减轻计算负担。仿真结果表明,该方法能够使闭环系统的所有状态都趋于零,即系统达到稳定状态。