一种新的声发射刀具磨损小波分析方法

提出了一种新的声发射刀具磨损小波判析方法，该方法通过多层小波分解对信号主能量所处频段进行局部特性刻画，利用小波分解系数特征统计值在统计量与刀具状态间建立物理联系。实例表明，该方法能有效地判断刀具状态，比常用的利用神经网络进行状态分析的方法更具有理论直观性与操作的时效性。     

基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。     

基于粗糙集和BP神经网络的刀具状态监测

在刀具磨损状态监测中,能够提取到的反映不同刀具磨损状态的特征量较大,基于神经网络的状态识别无法去掉冗余特征,会存在训练时间长和准确率降低等问题。针对这些问题,提出基于粗糙集-BP神经网络的刀具磨损状态监测方法,利用粗糙集对特征进行属性约简,去掉冗余信息,从而优化特征,并且减少神经网络的输入端数据,可以缩短神经网络的训练时间和提高识别的准确率。通过对实测刀具数据进行分析,证明了该方法的有效性。     

刀具磨损监测的一种数据处理方法

采用声发射传感器采集刀具切削时的信号,提出了一种基于BP神经网络识别刀具磨损程度的方法。该方法将原始声发射信号经高通滤波后直接输入到BP神经网络中进行训练,依靠神经网络的非线性映射能力,使神经网络对不同磨损程度刀具产生的信号进行分类,并能准确判别未知信号所属类别。与传统方法相比,该方法省去了人工提取特征值这一费时费力的环节。研究了神经元个数对神经网络的训练和识别的影响,提高了神经网络的识别精度。实验结果表明,该方法可以准确地预测刀具磨损程度。     

基于切削力的小波神经网络刀具磨损状态监测

为了有效地进行刀具状态监测,采用小波神经网络对刀具进行故障诊断.通过小波变换提取刀具磨损切削力信号的特征,利用小波包分解技术对信号进行分析,得到有效的特征量作为BP神经网络的输入样本,并对网络进行学习训练,完成对刀具磨损状态的有效识别.仿真结果表明该方法是有效的.     

基于分数布朗运动的工件表面图像分析及其在刀具状态检测中的应用

介绍了刀具磨损状态的检测方法和分数布朗运动(FBM)的基本理论。应用分数布朗运动场模型对切削工件的表面图像进行纹理分析,提取纹理特征后,根据分形维数D和图像上对数功率谱的拟合曲线的平均斜率k来判断刀具的磨损状态。与实验得到的结果相比较,该方法的结果令人满意。     

基于单视角图像处理的刀具磨损检测研究北大核心

针对现有刀具磨损检测存在检测速度慢、人工工作量大、经济效益低等问题,提出一种基于单视角图像处理的刀具磨损检测算法。使用CCD相机对刀具磨损前和磨损后的图像进行单视角提取,通过图像融合变换得到磨损前和磨损后的全景深刀具图像;将刀具磨损前后的全景深图像进行配准,得到磨损区域图像后,将磨损区域图像的像素转化成实际长度值,计算出实际磨损量。实验结果表明:该方案检测速度快,测量误差范围满足检测精度要求,可应用于实际加工。     

基于小波神经网络的刀具状态监测

建立了一种小波基函数神经网络的切削刀具磨损状态监测系统。通过提取反映刀具磨损状态的特征参数：声发射，主功率，进给电流为输入信号，利用Morlet解析小波神经网络的非线性模型，获得表示刀具磨损状态的特征量，来实现刀具磨损状态在线智能监测。它可以有效地提高系统识别的精确度和可靠性。     

基于S变换时频图纹理特征的刀具磨损状态识别

针对刀具磨损状态监测问题,将图像纹理特征提取技术引入到刀具磨损故障诊断中,提出一种基于S变换时频图纹理特征的刀具磨损状态识别方法。首先采用S变换对刀具切削过程中采集的声发射信号进行时频分析,将时频图像转换为等高线灰度图,通过灰度共生矩阵算法提取图像纹理特征;然后采用散布矩阵算法对提取的特征向量进行敏感度分析,构建敏感特征向量;最后采用敏感特征向量训练离散隐马尔科夫模型,建立分类器,从而实现刀具磨损状态的识别。实验结果表明:该方法可以有效地识别刀具磨损状态,识别率为96.67%。     

基于不等高度数据采集的刀具磨损三维检测

由于刀具磨损对切削过程以及表面加工质量有着重要的影响,因此刀具磨损程度的检测对于提高零件的表面加工质量有重要的意义。文章提供了一种新的刀具磨损检测方法,该方法主要基于在不同高度对磨损区域拍照所得的图像,并对磨损区域进行相应的三维重构,最终能得到刀具磨损区域的三维形貌图,其不仅能使得刀具的磨损区域得到重现,而且能对磨损的体积进行较为精确的测量。将该技术对实际加工中不同切削条件下的刀具的磨损进行检测,最终得到了不同切削条件下的刀具的磨损,结果表明该方法对于刀具磨损的检测不仅方便,而且精度较高。     

Evaluation of multilayer perceptron and self-organizing map neural network topologies applied on microstructure segmentation from metallographic images

Artificial neuronal networks have been used intensively in many domains to accomplish different computational tasks. One of these tasks is the segmentation of objects in images, like to segment microstructures from metallographic images, and for that goal several network topologies were proposed. This paper presents a comparative analysis between multilayer perceptron and self-organizing map topologies applied to segment microstructures from metallographic images. The multilayer perceptron neural network training was based on the backpropagation algorithm, that is a supervised training algorithm, and the self-organizing map neural network was based on the Kohonen algorithm, being thus an unsupervised network. Sixty samples of cast irons were considered for experimental comparison and the results obtained by multilayer perceptron neural network were very similar to the ones resultant by visual human inspection. However, the results obtained by self-organizing map neural network were not so good. Indeed, multilayer perceptron neural network always segmented efficiently the microstructures of samples in analysis, what did not occur when self-organizing map neural network was considered. From the experiments done, we can conclude that multilayer perceptron network is an adequate tool to be used in Material Science fields to accomplish microstructural analysis from metallographic images in a fully automatic and accurate manner.     

微间隙焊缝磁光检测神经网络修正

针对激光焊接微间隙焊缝（间隙小于0.1 mm）,研究提高磁光传感检测焊缝精度的BP神经网络修正方法.以碳钢平板对接激光焊为试验对象,利用磁光传感器检测焊缝区域磁场分布并成像.通过分析焊缝处磁场成像并应用BP神经网络修正磁光传感器得到焊缝中心数据,有效避免焊缝磁光图像低对比度和强噪声干扰问题.经过在不同焊接速度试验下的测试,四组神经网络试验的焊缝位置误差的绝对平均值都在0.015 mm左右,BP神经网络测量误差比磁光成像直接测量平均减少约28%.BP神经网络修正磁光成像测量技术可有效识别微间隙焊缝,为解决激光焊接微间隙焊缝过程自动识别和跟踪焊缝的难题提供了一种新方法.     

基于空时模型的航空管路卡箍故障诊断研究

针对航空液压管路卡箍振动信号受强噪声干扰,导致航空卡箍故障难以精准识别的问题,提出一种空时模型的航空卡箍故障诊断新方法。建立空间特征提取模型,对航空卡箍的故障特征进行局部融合。在空间模型中引入GRU模块,提取航空卡箍故障信号中的全局特征。结果表明：设计的空时故障诊断模型可实现航空卡箍故障的精准识别。与目前所用的深度卷积神经网络模型、门控循环单元神经网络模型、循环神经网络模型、支持向量机和误差反向传播神经网络模型等5种先进的故障诊断方法进行对比分析,所提方法对航空卡箍故障识别具有优越性。     

基于BP神经网络的注射器针头缺陷检测方法

为了实现倒装和弯钩次品针头的自动检测,提出了一种基于BP神经网络的注射器针头合格性检测方法。该方法首先对针头图像进行去噪、目标分割和针头轮廓提取等预处理,其次采用边界区域不变矩法和针头边缘曲率法提取针头特征,然后用合格针头、弯钩针头和倒装针头样本的特征对设计好的BP神经网络进行训练,最后利用训练好的BP神经网络实现注射器针头的合格性检测。通过大量真实针头的合格性检测实验,验证了本研究所提出方法的有效性,可用于实际生产中。     

基于声信号递归Hilbert变换的轴承故障诊断研究

轴承缺陷检测与损伤程度检测一直是旋转机械领域内非常重视的问题,虽然目前针对振动信号的研究已经取得相当好的结果,但是对于难以安装振动传感器的情况,诊断效果仍需改进。针对强背景噪声下故障轴承产生的声音,提出一种基于递归Hilbert变换和一维卷积神经网络的诊断方法来提取抽象特征并进行模式识别。卷积神经网络结构中引入了全局平均池化层来加速网络的运行。最后,通过数据集验证了所提方法的有效性,与其他常用分类方法进行对比,验证了该方法的优越性。结果表明：所提算法不仅能够准确识别轴承的损伤部位,而且能够准确区分部件的损伤程度。     

基于多阈值与神经网络的旋转电弧图像飞溅分析

为探究旋转电弧飞溅产生原因及规律,针对高速相机采集的旋转电弧平堆焊的焊接图像,提出了一种基于掩膜的多阈值与BP(back propagation)神经网络组合方法识别焊接飞溅．多阈值法获取飞溅位置及其轮廓,再通过建立5特征值的BP神经网络模型识别飞溅．结果表明,对于具有灰度分布范围大、背景复杂的旋转电弧飞溅图像,该组合方法的识别准确率可达95.76%．同时,通过飞溅与焊丝位置的相位分析,飞溅最大数量相位均值为241.4°,即焊丝末端进入熔池后约0.14周期位置,主要是由焊丝末端熔滴与熔池接触导致电流激增,电流抑制不充分造成,该研究结果为旋转电弧焊接飞溅控制提供了依据．     

基于空洞卷积神经网络的金刚石图像语义分割

为准确分割金刚石颗粒图像,基于空洞卷积网络构建图像语义分割模型。以自建的小型金刚石颗粒图像数据集为基础,对所建模型的批处理规模、卷积层过滤器数量和膨胀系数等超参数进行调优。对比调优后的空洞卷积网络与传统的全局阈值法、自适应阈值法对金刚石颗粒图像的分割能力。研究结果表明:批处理规模、卷积层过滤器数量和膨胀系数等参数对网络的分割能力有重要影响;空洞卷积网络在0.965的精确度下可达到0.966的召回率,性能明显高于传统方法的,尤其是较好地解决了金刚石颗粒上亮斑的归类问题。      

电弧焊熔透ICA-BP神经网络识别模型

以氩弧焊熔透状态识别为研究对象,研究一种基于ICA (Imperialist Competitive Algorithm) 的BP(Back Propagation)神经网络识别模型方法. 首先利用ICA全局搜索不易陷入局部极值及搜索速度快的特点对神经网络权值和阈值初始化,再用BP算法对神经网络进行训练. 通过摄取焊接过程中的熔池图像,提取熔池面积、熔宽以及熔池质心位置作为神经网络预测模型的输入量,分析熔池图像三个特征与焊缝熔透状态的映射关系,最终建立熔透状态预测模型. 结果表明,采用ICA-BP神经网络能够有效地预测焊缝的熔透状态.     

基于DPSO-BP的机械转子故障诊断北大核心

信号特征提取的方式直接影响故障诊断的结果,因此提出一种新的特征向量组合方式从而进行有效故障模式识别,以从原始信号中提取出能够最大程度地表征其所包含信息的信号特征。将经过经验模态分解后得到原始信号的有效IMF分量的能量以及信号的能量熵相结合作为特征向量。由于机械转子故障诊断缺失情况时有发生,提出采用DPSO算法优化BP神经网络的方法。该方法主要通过优化神经网络的初始权值和阈值的方式对BP神经网络进行改进。结果表明:与传统的BP神经网络模型相比,改进后的BP神经网络模型迭代次数大幅度减少,训练时长也相应缩短,模型的训练精度以及故障诊断的正确率也得到提高。     

应用于彩色图像数字化过程的图像校正技术研究

图像和文档的数字化已经成为了现代信息化建设必不可少的内容。针对彩色美术图像数字化过程的图像校正问题,提出一种基于改进成像模型和深度神经网络的图像处理算法,能够有效去除噪声并增加图像清晰度。首先构建了由全局照度、局部照度和反射率组成的改进成像模型,并将输入RGB彩色图像被转换为HSV彩色图像。然后提取输入图像的局部特征,并利用这些特征构建一个深度神经网络以便实现噪声去除。仿真试验结果显示,相比传统BP神经网络和广义回归神经网络,提出算法的图像校正能力更强,具有较高的峰值信噪比和对比度增量,验证了提出算法的可行和先进性。