基于模拟退火遗传算法的拉深模缺陷诊断研究

总结了拉深模的缺陷及原因,基于模拟退火遗传算法技术,将拉深模试冲时的缺陷分析问题表达为一类组合优化问题,并采用模拟退火的适应度拉深方法,探讨有效地提高拉深模试冲时的缺陷诊断准确率的优化方法,描述了基于模拟退火遗传算法的诊断过程。     

神经网络信息融合技术在岩石挖掘机系统故障诊断中的应用

将信息融合技术与神经网络结合起来，充分利用检测到的各种故障征兆信息准确诊断岩石挖掘机系统的故障。采用混合式数据融合方法，将数据级、特征级和决策级融合通过神经网络的方法综合在一起，解决输入信息不对称性问题，使得小数据量和大数据量的信息融合成为可能。     

基于遗传算法的级进模试冲缺陷及调整方法智能诊断

总结了级进模试冲时的缺陷及调整方法，建立关系表，应用遗传算法对级进模试冲时的缺陷及调整方法进行智能诊断，探讨了提高级进模试冲时的缺陷及调整方法诊断准确率的优化方法，描述了遗传算法的诊断过程。     

基于IRN网络的旋转件融合诊断方法与应用

提出了一种基于小波神经网络的故障诊断方法，该方法采用小波变换作为特征提取器，IRN神经网络作为分类器实现特征级的融合诊断，实验结果证明该方法具有很好的容错性和抗干扰特性，是一种比较实用的故障诊断方法。     

拉深筋对板材力学特性的影响

板材通过拉深筋时经过弯曲与反弯曲变形,塑性性能发生较大的变化,必然影响板材的后续成形。该文利用拉深筋结构影响实验及后续性能测试实验,对通过拉深筋后板材的力学性能进行研究,分析了半圆形拉深筋的结构参数——筋圆角半径和拉深筋高度对板材变形的影响。结果显示,板材通过拉深筋时产生预变形,预变形量与拉深筋结构有关,随筋圆角半径增大,预变形量降低;随拉深筋高度增大,预变形量增大。与未变形板材的性能相比,通过拉深筋后板材的力学性能发生了很大的变化,而且这些变化与预变形量有关,随预变形量增大,屈强比增大,断裂延伸率呈指数下降,板材的后续塑性变形能力显著降低。     

基于Hosford屈服函数的横观各向同性金属材料拉深成形塑性及变形分析

为了研究板材拉深中的成形极限,对金属材料的拉深成形进行塑性及变形分析。以横观各向同性材料为研究对象,采用对实验数据拟合能力较好的Hosford屈服函数,对拉深成形过程中法兰区的变形性能进行分析,得到法兰区应力场;采用数值积分拟合的方法,给出拉深冲杯杯高数值积分拟合表达式,并用η=2时的杯高解析表达式对此拟合方法的可靠性进行验证;利用Zwick万能试验机和拉深试验机,对铝板进行了拉伸和冲杯实验,验证了杯高表达式的正确性;利用杯高数值积分拟合表达式计算杯高,η=8的结果相对η=2的结果更接近实测杯高,说明了Hosford屈服函数比Hill48屈服函数对金属材料的塑性变形拟合效果更好。     

人工神经网络在塑性成形领域中的应用研究

在概述人工神经网络发展及应用的基础上,综述了国内外神经网络在塑性成形领域中应用的现状,着重介绍了板材成形和模具设计与制造方面应用神经网络的现状。利用人工神经网络实现了板材拉深成形智能化控制过程中摩擦系数的实时识别,并对其进行了实验证,结果表明,神经网络模型能够很好地解决板材拉深成形智能化控制过程中摩擦系数的实时识别问题,实现整个拉深化过程的智能化控制。最后指出了当前人工神经网络研究与应用中的不足之处及今后的研究方向。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

双孔焊片多道拉深工艺及模具设计

通过对零件结构工艺性分析,制定了连续拉深的工艺方案。对毛坯尺寸、修边余量、拉深系数、各次拉深直径及拉深高度进行了设计,对工序排样进行了计算,并制定出工序排样方案,设计出拉深冲裁级进模的模具结构图。     

连续拉深模设计经验点滴

<正> 连续拉深模在试冲时,会碰到一般冷冲模不会遇到的一些问题,我们通过对几套这类模具的试冲,将出现问题后由此取得的经验介绍如下,供大家参考。 1.在第一道拉深之后,工件初坯就有一定高度,且前一道的直径较后一道大,进料后条料便倾斜一个角度α,见图1,此时送进     

Characterization of gas pipeline inspection signals using wavelet basis function neural networks

Magnetic flux leakage techniques are used extensively to detect and characterize defects in natural gas transmission pipelines. This paper presents a novel approach for training a multiresolution, hierarchical wavelet basis function (WBF) neural network for the three-dimensional characterization of defects from magnetic flux leakage signals. Gaussian radial basis functions and Mexican hat wavelet frames are used as scaling functions and wavelets respectively. The centers of the basis functions are calculated using a dyadic expansion scheme and a k-means clustering algorithm. The results indicate that significant advantages over other neural network based defect characterization schemes could be obtained, in that the accuracy of the predicted defect profile can be controlled by the resolution of the network. The feasibility of employing a WBF neural network is demonstrated by predicting defect profiles from both simulation data and experimental magnetic flux leakage signals.     

基于神经网络的铝合金裂纹缺陷识别

将人工神经网络方法应用于铝合金工件裂纹缺陷识别,以克服传统人工识别的局限性,从而提高裂纹缺陷识别的准确率。通过设计并搭建水浸超声检测系统,获得超声检测缺陷的波形数据,并对收集到的缺陷波形数据进行特征提取,从中筛选出有用的特征信息,经过小波去噪处理后作为特征信号输入概率神经网络,并进行网络训练,实现对不同裂纹尺寸的智能识别。实验结果表明:该方法可提高对裂纹缺陷尺寸识别的准确率和检测效率,具有较好的应用前景。     

变工况下采煤机故障诊断的迁移学习方法

针对采煤机故障诊断过程中有效故障样本不足问题,提出变工况下采煤机故障诊断的迁移学习方法。对原始振动信号作小波变换得到时频图,利用图像增强原理凸显故障的时频特征,并对图像进行归一化后组成故障样本;利用大量不同工况下的现有故障数据组成源域数据,对卷积神经网络进行训练,以初步获取故障诊断模型;将训练后的模型迁移至采煤机故障诊断实验台,以最大均值差异（MMD）作为优化指标,利用实验台中的样本继续训练模型,实现权值微调。结果表明：振动信号经小波变换和图像增强处理后,能有效凸显故障特征;利用实验台小样本微调权值,能有效实现采煤机故障诊断的模型迁移。     

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。     

Application of the wavelet transform and the enhanced Fourier spectrum in the impact echo test

The objective of this study is to develop a reliable and effective method to analyze the signal of the impact echo test. The impact echo test is a nondestructive testing technique for civil structures. In the test, the surface response of the target structure due to an impact is measured. Then, the Fourier transform is adopted to transform the signal from the time domain to the frequency domain. Owing to the multiple reflections induced by cracks, voids, or other interfaces, peaks will form in the Fourier spectrum. The frequencies of the peaks can then be used to determine the size of the structure or the location of the defect.

Several difficulties are encountered when applying the Fourier transform to impact echo data. Because the impact echo data are non-stationary and contains multiple reflections, ripples and multiple peaks appear in the Fourier spectrum, which may mislead the follow-up diagnosis. Furthermore, the existence of the high-energy surface wave and structural vibrations often complicates the spectrum and makes the data interpretation even more difficult.

To overcome these difficulties, this research adopts the wavelet transform in the analysis of impact echo data. Theoretically, the wavelet transform can avoid ripple and multiple-peak phenomena. Furthermore, the frequency range and time span of surface wave can be observed in the wavelet scalogram. However, the spectral resolution of the wavelet marginal spectrum is inferior to that of the Fourier transform. Therefore, two approaches are proposed in this paper. One is to combine the Fourier spectrum and the wavelet marginal spectrum to determine the precise location of the echo peak. The other is to take the product of the two spectra to establish the enhanced Fourier spectrum. As such, the interference in the Fourier spectrum is suppressed while the peak is enhanced. Numerical and experimental tests were performed to verify the effectiveness and reliability of the proposed approaches.     

基于小波变换的齿轮箱故障诊断

时域同步平均(Time Synchronous Averaging,TSA)信号只包含齿轮啮合频率信号和倍频信号,若齿轮出现故障,会使TSA信号得到某种程度的调制.文章将连续小波变换应用于齿轮箱振动采样的TSA信号,检测和分析齿轮箱的轮齿缺陷,设计并制作齿轮箱故障诊断试验台,通过齿轮全运行周期啮合试验,利用LABVIEW虚拟仪器采集系统采集振动信号,然后利用MATLAB编写相应的程序,绘制出所需信号的波形图,对所采集的数据文件进行信号分析处理,以达到齿轮箱故障诊断的目的,并验证了小波变换对齿轮故障诊断的有效性.     

基于WTD-AR谱和MEA-BPNN的轴承故障诊断方法

针对滚动轴承故障诊断模型在噪声干扰下鲁棒性能差的问题,提出一种基于小波阈值去噪（WTD）、AR谱和思维进化算法（MEA）优化反向传播神经网络（BPNN）的轴承故障诊断方法。以原始振动信号为输入,采用小波方法分解重构原始信号滤除高频噪声,然后采用Burg算法估计AR模型参数提取降噪信号功率谱特征,最后将特征向量与对应标签分别作为MEA-BPNN神经网络的输入、输出进行训练,最终实现诊断。将该方法与一些先进的人工神经网络诊断方法作比较,测试该诊断模型的性能。研究结果表明：WTD-AR谱-MEA-BPNN诊断模型能够有效降低轴承振动信号的噪声干扰,实现特征增强,分辨率更高;相较于传统神经网络训练速度更快,在更短时间内甄别故障类型且识别率高。     

埋地管道防护层缺陷现场检测与评价

建立埋地管道防护层检测快速分析系统，实现防护层缺陷定位和防护层缺陷形式的判断．防护层缺陷定位应用密间隔电位(CIPS)二进小波变换方法，分别对CIPS数据通电电位、断电电位和二者之差进行分析，利用二次信息突出缺陷位置。在对防护层缺陷形式判断时，建立针对恒电流瞬态响应的小波—Kohonen神经网络，网络对恒电流瞬态响应曲线以多分辨分析方法分解后，利用第五层分解概貌信息，对管道防护层状态进行自适应识别．应用CIPS和恒电流瞬态响应方法在大港油田港一沧线进行现场检测，利用建立的分析系统分析和判别防护层状况，判断结果与实际情况相符。结果令人满意。