ART网在神经网络专家系统构建方面的应用研究

利用ART网络在数据聚类和学习方面的优势,简述了ART网在构建神经网络专家系统的应用,并加以仿真.仿真结果表明了该系统的优良性能.     

ART对灰铸铁试样表面改性的影响

主要探索ART(金属磨损自修复技术)材料对灰铸铁摩擦副表面改性的机理和耐磨规律.运用改装的摩擦实验机对45钢-灰铸铁摩擦副做旋转对磨实验.在摩擦副中加入ART试剂,在一定载荷、一定转速条件下在大气环境中进行实验.试验发现磨损试样表面有光滑小黑斑生成,表面微区亦增添了来自矿物粉体中的元素;显微硬度明显提高,表面粗糙度显著降低.起到了良好的减摩耐磨效果.     

基于递归小波与ART2网络的刀具状态智能监测

为实现刀具的实时状态监测,以超高斯函数为基础,构造出一类用递推公式进行小波变换的小波基,提出该系列小波基的优化方法,对其时频特性进行了分析.对刀具AE信号进行递归小波分解,提取特征并应用ART2网络识别刀具状态.结果表明,基于递归小波与ART2网络的刀具状态监测具有鲁棒性强、实时性好的特点.     

基于迭代算法的焊接电弧发射系数重建

采用代数迭代重建算法(ART)来恢复焊接电弧等离子体发射系数.开发了ART算法的MATLAB语言计算程序,并通过一个已知的偏置高斯模型验证了该算法的有效性.以一个TIG焊接电弧为例,图像法测量得到电弧光谱强度,利用所开发的ART算法程序重建了发射系数,并将计算结果与常用的Abel逆变换恢复的发射系数进行了比较.结果表明,ART算法的重建精度较高,可用于焊接电弧发射系数的恢复.     

基于混合神经网络的数控机床故障诊断技术研究

为了实现数控机床故障诊断的自动化和智能化,提出了一种基于混合神经网络的数控机床故障诊断技术.首先通过一级BP神经网络对输入的故障信息进行分类,然后针对分类后的故障再通过二级ART神经网络实现故障的诊断和排除.基于两级混合神经网络的故障诊断系统不但具有故障自动诊断功能,而且还具有自学习和自组织等智能.     

基于故障层次模型的集成神经网络诊断

复杂系统具有层次结构特点,基于故障层次模型的诊断策略是复杂系统故障诊断可行和有效方法.集成神经网络模型以故障层次模型为参考,可以大大缩小诊断推理的求解空间,最终快速定位发生故障的根本部位.集成神经网络的模型结构为多模型或方法集成应用提供了一个良好的融合机制.基于模糊ART神经网络及BP神经网络构建的集成神经网络更进一步具有发现新故障的能力,且能够对故障引发部位实现精确诊断和定位.     

基于人工神经网络的硬质合金切削专家系统的研究

基于人工神经网络的硬质合金切削专家系统采用了具有自适应和自学习的人工神经网络为核心算法 ,利用经过训练的 ART模型对切削条件进行智能识别 ,可根据加工条件为用户推荐出最佳的硬质合金牌号 ,解决用户在选择刀片牌号中所遇到的困难 ,从而提高切削加工效率。     

逆转变+Q&P复合工艺对低合金高强钢组织和性能的影响

利用SEM、XRD分析及拉伸试验,研究了逆转变+淬火-配分(ART+QP)复合工艺对完全淬火后0.22C-2.0Mn-1.8Si钢组织性能的影响。结果表明:经ART+QP工艺处理后,该钢组织为亚温铁素体、贝氏体/马氏体和均匀分布的残留奥氏体。逆转变奥氏体富集Mn、C元素,淬火-配分过程中碳自马氏体配分至残留奥氏体时二次富C,使其稳定化,因此该钢室温下获得残留奥氏体的含量超过15%。在拉伸变形过程中残留奥氏体转变成马氏体的TRIP效应,使得钢材在变形过程中获得稳定的加工硬化能力,实现了良好的强塑性结合,抗拉强度达到1233 MPa,屈服强度为893 MPa,均匀伸长率29.6%,强塑积高达36 GPa·%以上。     

On-line quality inspection in laser blank welding using ART2 neural network

Laser blank welding is becoming more and more important in the automotive industry and the quality of the weld is critical for a successful application.A fully automated solution is required to inspect the quality of the blanks.This paper presents a vision inspection system with a CMOS camera which uses ART2 network to inspect the defects on-line to obtain the geometry and the quality of the weld seam.The neural network ART2 has the capability of self-learning from the environment. It can distinguish the defects that have been learned before and give new outputs for new defects.So ART2 network is suitable for weld quality inspection in laser blank welding.Additionally,a CO_2 laser is used for the blank butt-welding.     

voxeljet continues on global expansion course with its 3D printers

<正>voxeljet,Friedberg near Augsburg,August 2016:Following the joint venture in China and the establishment of subsidiaries in India,voxeljet has now set its sights on the Mexican market.To secure market share in the automotive sector,3D print specialist voxeljet acquired a strong partner in Mexico,the automation company Art Abastecedora Industrial S.de R.L de C.V.(ART).During the last few decades,ART     

基于神经网络的电火花加工过程的分类

根据电火花加工放电状态百分率，对电火花加工过程进行了分类，通过引入三个新质变 量建立了电火花加工过程分类的神经网络模型。仿真结果表明，该种分类方法具有很高的可信度。     

基于BP神经网络的瓷绝缘子振动声学检测结果分类

为便于对采用振动声学法检测瓷绝缘子的数据进行判读评估,提出了采用BP神经网络对检测结果进行分类的方法。使用Matlab编程语言编制BP神经网络分类代码,用已分类的三组检测数据对神经网络进行训练。通过对128组检测结果进行分类比较,分类的平均准确率达到93.5%。证实BP神经网络对振动声学法检测绝缘子的检测结果分类的有效性和实用性。     

滚动轴承VMD能量熵与PNN故障模式识别研究

针对研究振动信号分析识别轴承状态的方法,在实践应用中受到各种噪声的影响很难达到准确识别预期目标的效果,提出了基于VMD能量熵特征与PNN神经网络结合的分类滚动轴承故障状态的方法。首先,通过运用变分模态分解(VMD)的信号预处理方法,实现振动信号的VMD降噪,同时利用集合经验模态分解(EEMD)对仿真信号进行对比两种方法的分解效果;然后,通过VMD能量熵和时域特征组成特征向量。最后,特征向量导入概率神经网络模型中准确识别滚动轴承故障状态。结果表明,该方法能将非平稳振动信号分解有效降噪且抑制模态混叠现象,同时能有效识别故障状态,对于在线监测机床健康状态领域的发展有重大的意义。     

基于小波包能量分布特征的齿轮故障诊断方法研究

齿轮的裂纹故障不仅影响机械系统的整体性能,还会导致机器损坏,因此,研究了齿轮裂纹长度的故障诊断方法。以多传感振动信号为研究对象,将小波包各个频段的能量比系数作为齿轮裂纹的故障特征,并通过改进的神经网络模型进行特征分类,实现齿轮裂纹长度的故障诊断。研究结果表明:所提出的故障诊断方法识别率高(97.5%),通用性好,能有效辨识不同工况下的齿轮故障。     

Improving the evaluation sensitivity of an ultrasonic pulse echo technique using a neural network classifier

In this paper, the use of an artificial neural network (ANN) for classifying weak ultrasonic signals has been attempted. The limitations of using a single conventional parameter for signal detection and classification (namely peak amplitude alone) are highlighted. Use of a multi-parameter approach is suggested. The ANN used is a multi-layered, feedforward, error- backpropagation network. Results are compared with those of conventional approaches.     

移动机器人故障分类及处理方法的研究

移动机器人系统由多个功能模块组成,每个功能模块实现不同的功能.本文根据各模块之间传感器信息的连贯性,定义了一种故障分类方法,将移动机器人的故障分为系统故障、传感器故障和混合故障三类.依据该分类方法提出了一种基于多个CMAC神经网络的故障诊断处理方法.该故障诊断方法的基本思想是将处理后的各模块组的传感器信息作为神经网络的输入,故障类型作为输出,利用CMAC神经网络完成各模块组的故障诊断过程.最后,仿真实验的结果证明了该故障诊断方法在移动机器人故障诊断上的可行性.     

协作企业共享资源建模方法

网络化制造是21世纪制造业的主要生产模式,协作企业共享资源的分类、建模与搜索方法是构建企业联盟的关键支持技术之一.本文在分析网络化制造中协作企业共享资源特点的基础上,建立了协作企业共享资源分类层次模型,提出了协作企业共享资源的三维立体建模体系,并采用面向对象方法建立了协作企业共享资源对象模型和分层搜索模型,为企业联盟构建提供了有力支持.     

Monitoring of flank wear of coated tools in high speed machining with a neural network ART2

A monitoring system for classifying the levels of the tool flank wear of coated tools into some categories has been developed using an unsupervised and self-organizing artificial neural network, ART2. The input pattern used for the ART2 was an array of normalized mean wavelet coefficients of the feed force, which was affected by not only the flank wear but also the severe crater wear observed in high speed machining. The outputs of ART2 were classified into four or five categories of wear levels: the incipient stage, one or two intermediate stages, final stage and hazardous stage. For two apparently different series of input data obtained under the same cutting conditions, which are often experienced in the experiment, the ART2 neural network showed very similar classification of tool wear levels from the beginning to the end of cutting. Further study proved that this monitoring system detected the excessive wear in the hazardous stage for different cutting speeds 5–7 m/s and different feed rates 0.10–0.20 mm/rev.     

基于GA-BP神经网络的气压伺服系统辨识研究

气压伺服系统控制器的优化设计依赖于准确的系统模型。针对系统的非线性问题,研究采用神经网络进行系统辨识的原理和结构;考虑传统BP算法存在局部收敛、学习速度慢的问题,采用遗传算法对神经网络的初值和权值进行优化,并采用LM算法进行网络学习,最终建立系统的神经网络辨识模型。通过仿真对比神经网络辨识结果与传统线性模型辨识结果,结果表明:基于GA-BP神经网络的辨识模型精度较高,适用于非线性系统辨识。     

用电弧声信号监测GMAW焊丝干伸长的SVM模型

为了探索电弧声在焊接质量监控中的应用途径,在对短路过渡GMAW电弧声信号频谱分析的基础上提出电弧声道概念,认为声道是受焊接参数、电弧形态等众多因素影响的分布参数系统.电弧声的LPC(线性预测)模型是声道传输特性的一个参数化估计.电弧声频谱与焊丝干伸长密切相关,但呈现出高度复杂性和非线性.利用电弧声LPC预测系数和反射系数构造输入向量,建立了支持向量机(SVM)的焊丝干伸长分类模型.训练和测试结果表明,采用不同形式核函数的SVM(支持向量机)分类器均能实现干伸长的正确分类,其性能明显优于相同条件下的RBF(径向基函数)神经网络分类模型,小样本情况下仍具有较好的推广能力.其中,用反射系数作为输入向量训练三次多项式核函数的SVM分类器性能最优,测试正确率在98%以上.据此认为,利用LPC分析提取电弧声的特征向量,建立SVM模型是一种焊接动态参数监控的可行方法.