小波-神经网络在MDF缺陷定位检测中的应用

本文将小波和人工神经网络相结合用于中密度纤维板(MDF)不同位置鼓泡缺陷智能定位检测.首先对不同位置缺陷振动信号进行3层小波包分解,并计算信号在各频段所占的能量率,以此作为训练样本对拓扑结构不同的BP神经网络进行学习训练,最后利用训练好的网络对不同位置鼓泡缺陷进行定位识别.研究得出在MDF鼓泡缺陷的定位检测中,通过对网络的推广性能、训练特性等因素方面综合考虑,识别左端、中部和右端3种不同位置鼓泡缺陷的最好网络模型为隐层节点为8的单层网络;第1隐层节点分别为4和6、第2隐层节点为5,传递函数同时为对数Sigmoid和分别为正切和对数Sigmoid的双隐层网络.这4种网络对左端和中部鼓泡的识别率在90%以上,对右端鼓泡的识别在80%以上.     

超声波检测中缺陷的智能识别

为了实现超声检测对缺陷的智能识别,引入小波包分析与人工神经网络技术。该方法利用超声信号进行三层小波包分解,提取各频率成分能量为特征值。建立并训练了一种BP缺陷识别的神经网络,该网络使用Levenberg—Marquardt算法。实验分析表明,小波包分析和人工神经网络的引用能为缺陷类型提供有效的智能识别。     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

小波包神经网络在轴承故障模式识别中的应用

基于不同点蚀模式的轴承振动信号的频域能量分布差异性,提出了基于小波包正交分解和BP神经网络的轴承点蚀故障模式识别技术。对轴承振动信号进行小波包正交四层分解,实现了信号空间完整拆分的同时得到了第四层由低频到高频的小波包分解系数,再分别进行单支重构得到各频段的成分。利用信号各频段的能量组成特征矢量作为神经网络的输入样本,对BP神经网络进行训练,获得模式识别网络;再用新数据进行网络的检验,结果证明网络的性能良好。     

基于小波神经网络的模拟电路故障诊断

本文对模拟电路提出了一种基于小波神经网络的故障诊断方法。该法利用小波空间中函数的多分辨率分解思想，构造了一种激励函数为具有紧支撑集的尺度函数和小波函数的小波神经网络。这种小波神经网络隐层节点数的选取有理论根据，解决了传统神经网络隐层节点数难以确定的问题。分别用本文提出的小波神经网络和传统BP网络对实例电路进行故障诊断，结果发现，小波网络比传统BP网络方法不仅学习收敛速度快，而且有效地避免了局部最小值问题。     

基于BP神经网络的钢丝绳损伤定量识别

利用BP神经网络对钢丝绳信号的特征量和断丝数进行训练,选择标准的3层网络将实验数据进行归一化后变换隐层节点数反复多次训练,确定隐层节点数,将效果比较好的网络作为实际断丝检测时调用的网络,通过VC++语言编程,实现钢丝绳检测的智能化。     

基于铣削力与神经网络刀具磨损状态识别研究

以铣削难加工材料——高锰钢加工过程为研究对象。建立了以铣削力作为监测信号的铣刀磨损监测实验系统。应用小波包理论对铣削力信号进行分析和消噪处理。并提取了信号的能量特征作为神经网络的输入向量。基于神经网络极强的非线性映射能力及分类能力。选用小波包分析与BP网络结合的方式对刀具磨损状态进行识别。建立了模式识别BP网络结构,构造了网络训练样本及测试样本。对网络进行了训练、仿真及验证测试,结果表明该网络能够对刀具磨损状态进行准确的识别。对刀具的在线监测具有良好的现实意义。     

基于小波熵和BP神经网络的木材空洞诊断的研究

针对蒙古标空洞检测问题,提出小波熵和BP神经网络相结合的应力波检测方法。采用db5小波包基函数对去噪后的应力波检测信号进行了3层小波包分解,然后提取小波熵,并利用小波熵构建特征向量。以BP神经网络作为分类器,小波熵特征向量作为BP神经网络的训练和诊断的输入向量,实现空洞缺陷的识别。试验结果表明,系统能诊断出木材空洞正确识别率高达90%,验证了小波熵特征对于木材应力波空洞检测信号分析的有效性,为木材应力波缺陷检测仪的设计提供了理论基础。     

基于小波包分析和BP神经网络的字符识别方法

利用小波包分析具有提取图像时、频两域细节和局部特征的能力,提出了将字符图像的小波包分析和BP神经网络相结合以达到识别字符的新方法。该方法首先对字符图像进行小波包分解,然后对分解系数进行重构,求得重构图像的能量;然后提取了不同字符图像的能量构造成能量特征向量,作为神经网络的输入;然后通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络;最后通过神经网络模型进行训练。实验证实该方法具有识别正确率高、速度快等优点。     

小波神经网络在摩擦焊缺陷识别中的应用

针对摩擦焊接头超声检测信号,介绍了一种用于信号分类的小波神经网络结构及其学习算法,用小波包分析工具提取信号特征作为网络输入,实现了宏观焊接缺陷和微观焊接缺陷的分类识别.实验结果表明,较BP网络小波神经网络获得良好的识别结果.     

大量程柔性铰六维力传感器静态解耦的研究

为提高大量程六维力传感器的测量精度,提出了一种新型的六维力传感器非线性静态解耦方法,该方法结合混合递阶遗传算法和小波神经网络的优点,采用递阶遗传算法与最小二乘法分别对小波神经网络隐层结构参数以及输出层权值进行优化,再将优化后的小波神经网络模型用于六维力传感器非线性解耦.建立了基于混合递阶遗传算法和优化小波神经网络的六维力传感器非线性解耦模型,设计了基于混合递阶遗传算法的小波神经网络结构及参数优化算法,给出了六维力传感器非线性解耦的具体实现流程.以最新研制的6-UPUR大量程柔性铰六维力传感器为对象进行实验,结果表明,采用该方法六维力传感器的Ⅰ类误差和Ⅱ类误差分别为1.25％和2.59％,比采用BP和RBF神经网络方法的测量精度高.     

基于人工神经网络的机械工具的识别方法

提出一种快速的、鲁棒性的人工神经网络目标识别方法。针对工业环境中常用机械工具的识别，通过正规化目标图像和正交复值的Ｚｅｒｎｉｋｅ矩变换提取目标的平稳我、比例及旋转不变性特征，应用具有２个隐层的ＢＰ网络学习与识别这些特征敌意一。对４类具有一个自由度的机械工具进行识别实验，表明该方法优于最近分类决策规则，对噪声及循环矢量变化具有鲁棒性，并达到９５％的识别率。     

压铸成型工艺设计与缺陷分析的神经网络模拟

对于误差逆传播 (BP)神经网络标准及改进型算法中的神经元联接权更新机制进行了分析。作为实际应用 ,基于MATLAB神经网络工具箱函数 ,研究了两个例子 ,一个是不同合金种类及不同复杂程度的型腔结构下浇注温度的选择 ;另一个是压铸工艺的缺陷分析。采用的算法分别为恒定学习率 附加动量项改进型BP算法和自适应学习率 附加动量项改进型BP算法。通过在实际模拟中比较这两种算法的训练效率 ,可得到结论 :自适应学习率 附加动量项算法是精确模拟压铸工艺映射问题的较为理想的方法。基于这一方法 ,文中最后给出了网络模拟测试的结果     

神经网络结构与算法对变压器故障诊断的影响

BP神经网络算法本质上是基于梯度下降的一种迭代学习算法,存在学习收敛速度慢、收敛精度低、易陷入局部极小、学习率难以选取、隐层数及隐层神经元个数难以确定等缺陷。为了选择出更适宜变压器DGA故障诊断的神经网络结构及算法。本文采用了常用的几种智能算法对变压器故障样本进行了诊断性能对比实验。结果得出Levenberg-Marquardt神经网络算法是收敛速度较快的算法,有动量和自适应的梯度下降法是收敛稳定性较佳的算法;网络最优结构设计过程。为用于变压器DGA故障诊断的神经网络的结构和算法提供了系统化的试验方法。     

小波分析和神经网络在社区健康监护系统中的应用

针对监护对象状态难判定问题,对小波分析和神经网络相结合的方法判定、预测监护对象所处状态进行了研究,并实现自动报警,以便医护人员做出更准确的诊断决策.采用串联方法将两者相结合,用小波分析对用户的多生理参数进行预处理并提取特征值,然后将处理后的信号作为神经网络的输入向量,状态信息作为输出,实现监护对象状态判定及预测.     

基于小波包-神经网络方法的支撑座连接螺栓松动损伤诊断的实验研究

在某导弹支撑座模型宽带随机振动实验的基础上,针对其连接螺栓松动所产生的支撑座结构响应的非平稳特性,采用小波包分析的方法得到缩减的信号特征;然后利用BP神经网络的模式分类功能,进行了螺栓松动程度的损伤识别研究。实验结果表明,小波包结合神经网络的方法可以有效地识别该支撑座连接螺栓的松动程度。     

小波神经网络在柴油机异响故障诊断中的应用

由于活塞敲缸响和活塞销响是两种常见的、却难以区分的柴油机异响故障，这里对EQ6BT柴油机这两种故障的缸体振动信号进行Morlet连续小波变换，作出小波变换系数的尺度-能量谱，并提取出尺度为3～20范围内的最大尺度能量作为BP神经网络的输入向量，实现了对该柴油机两种异响故障的诊断。结果表明，利用文中所设计的小波神经网络能非常准确地诊断出EQ6BT柴油机活塞敲缸响、活塞销响两种异响故障及其故障的严重程度。     

电触头钎焊接头超声检测信号的集成神经网络分类

研究电触头钎焊接头超声无损检测中的缺陷分类问题,提出了一种新的集成神经网络分类方法。该方法分四步：频率不变性预处理,多分辩分析,特征量预处理,集成 Ｂ Ｐ神经网络分类。使用不同中心频率探头检测得到的缺陷信号首先通过预处理变换到一个等效的参考频率上,然后利用离散小波变换提取特征量。特征量被预处理后,输入到集成 Ｂ Ｐ神经网络分类器中分类。本文用２１３ 个超声检测信号测试了集成神经网络的性能。实验结果表明了频率不变性技术和集成 Ｂ Ｐ神经网络分类技术的有效性。