基于粗糙集和神经网络的润滑油中磨损磨粒的识别

为了更有效地对润滑油中的磨损磨粒进行识别,探讨了基于粗糙集和神经网络的磨粒识别。它首先利用粗糙集理论对磨粒特征参数进行约简,这样能够大大减少了神经网络的输入维数。然后介绍了一种径向基神经网络,并利用它对磨粒进行分类。对20个磨粒进行识别,磨粒分类分对14个,分错6个,识别率达到70.0%。     

基于神经网络信息融合的发动机磨损磨粒识别

磨粒识别和分类是铁谱分析技术在发动机故障诊断和状态监测的关键环节.针对单一神经网络模型磨粒识别的局限性,提出了一种基于不同类型神经网络信息融合的磨粒智能识别方法.首先利用径向基函数(RBF)神经网络和反向传播(BP)神经网络对磨粒进行识别,得到2组初始识别结果, 归一化后作为2组基本概率分配函数,然后利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一神经网络模型相比,提出的信息融合方法提高了磨粒识别的区分度和准确率,并具有良好的通用性和容错性.     

改进的BP算法在磨粒识别中的应用

本文提出用改进的神经网络算法，建立适于磨粒分析的AWPRM模型，设计了智能磨粒识别分类器，实例表明，用该方法可以准确识别磨粒类型，并具有较好的推广能力。     

基于神经网络的工程机械磨损故障诊断研究

根据工程机械结构特点、摩擦磨损规律和磨粒特征建立了标准磨粒谱 ;提出了基于神经网络的磨粒识别技术 ,设计了智能磨粒识别系统 ,诊断实例表明 ,用神经网络方法可以准确地识别工程机械磨损故障类型、程度和部位     

改进的BP算法在磨粒识别中的应用

提出了用隐层和输出层的权值单独修改的方法来改进神经网络算法，建立了适于磨粒的分析模型，设计了智能磨粒识别分类器。实例表明，用该方法可以准确识别磨粒类型，并具有较好的推广能力。     

基于BP神经网络的铁谱磨粒分类器设计

磨粒类型识别与分类是铁谱技术的主要内容之一,本文基于神经网络原理,探讨了磨损磨粒分类识别的神经网络模型和实现方法。     

基于形态谱的磨粒图像特征参数提取方法

为提高磨粒识别的精度,提出一种基于形态谱磨粒图像特征参数提取新方法,给出磨粒图像的归一化形态谱的计算方法,并将磨粒的形态谱作为其特征向量,采用径向基函数神经网络对磨粒进行自动识别。结果表明:利用磨粒的形态谱实现了对球形磨粒、切削磨粒、严重滑动磨粒、疲劳剥块4种典型磨粒的分类识别,磨粒的形态谱可以作为磨粒的有效特征参数。     

磨粒轮廓特征变换研究

本文提出了一个磨粒轮廓特征变换的方法，该方法解决了磨粒图像的平移、旋转和大小不变性，同时，该变换所得的结果能较为全面地反映了磨粒的轮廓特征，这使磨粒识别具有较高的准确率成为可能。文中给出了一个利用此变换方法所得的轮廓特征作为神经网络输入的磨粒识别实例。     

基于D-S证据理论和集成神经网络的磨粒识别

针对磨粒的识别问题，利用数字磨粒图像分析方法，结合D-S证据理论和BP神经网络，建立了基于D-S证据理论的集成神经网络磨粒融合诊断方法。首先对磨粒图像进行处理，并利用统计分析方法和傅立叶分析方法对处理好的磨粒图片进行分析得到磨粒特征；然后基于统计分析方法和傅立叶分析方法建立对应的两个BP分类子神经网络，利用典型的磨粒样本对BP子神经网络进行训练，得到初步的诊断结果；最后用D-S法对子神经网络诊断结果进行融合，得到最终的诊断结果。算例分析结果表明，基于D-S证据法和集成神经网络的磨粒融合诊断方法比单个诊断方法具有更高的准确性。     

基于极限学习机的铁谱磨粒模式识别

将极限学习机(ELM)应用于铁谱磨粒模式识别中,从磨粒彩色图像中提取出磨粒的形状尺寸、颜色、纹理3个方面的特征参数作为ELM的输入,以正常滑动磨粒、严重滑动磨粒、球状磨粒、切削磨粒、氧化物磨粒这5种类型磨粒作为ELM的输出,建立基于ELM的磨粒分类器;将3个方面的17个特征参数进行排列组合建立不同的模型,通过对比实验及分析,确定出最优的模型和磨粒分类器;通过实验比较基于ELM与基于BP神经网络的磨粒分类器性能。结果表明:基于ELM神经网络的磨粒分类器的识别速度平均为150 ms,准确率最高为96%,基于BP神经网络的磨粒分类器的识别速度平均为250 ms,准确率最高为90%。因此,基于ELM的磨粒分类器识别速度更快、准确率更高。     

发动机铁谱磨粒分析与磨粒识别研究

从发动机摩擦副及其摩擦磨损特点着手，提出了用于发动机磨损状态监测与诊断的主要10类磨粒，依据其识别特征提出了用于磨粒识别的14个磨粒形状、表面纹理与颜色特征；最后应用BP网络分层识别策略进行了磨粒识别。     

基于Mask R-CNN的铁谱磨粒智能分割与识别

针对铁谱图像因背景复杂、尺寸分布广、颗粒重叠等导致难以精确分割与识别的问题,以相似度高的疲劳剥块、严重滑动磨粒、层状磨粒共3种异常磨粒作为研究对象,提出基于深度神经网络模型Mask R-CNN的对多目标铁谱磨粒进行智能分割与识别的方法,并对特征提取层分别选用深度不同的残差网络ResNet50和ResNet101进行对比试验。实验结果表明,基于迁移学习方法的Mask R-CNN+ResNet101模型能够在复杂背景下对多目标、多类型、多尺寸的相似磨粒进行有效分割与识别,测试集的平均精度高达76.2%,模型具有较好的泛化能力。     

磨粒类型识别研究

提出了一种有效的磨粒类型识别方法，该方法除了选用传统的磨粒形态特征参数，将表面粗糙度和表面纹理指数也作为重要的磨粒识别参数，选用面积、长度、圆度、纤维比率、体态比、边界分形维数、表面粗糙度．Sa．Sq，和表面纹理指数（Stdi）等9个参数，采用人工神经网络来识别磨粒类型，应用示例表明效果良好，提高了磨粒类型识别的精确度。     

神经网络技术在基于油液分析的发动机磨损诊断中的应用

本文简述了人工神经网络技术在基于油液分析的自行火炮发动机磨损故障诊断中三个方面的应用,具体包括发动机磨损磨粒的识别、磨损元素浓度值的预测和磨损故障智能诊断,文后讨论了神经网络技术应用与机械故障诊断领域的发展方向。     

一种基于神经网络的磨粒混叠误差修正方法

电感式磨粒检测方法采用电磁感应原理,能够实时地检测机械设备所产生的金属磨粒,是目前具有潜力的在线磨损监测方法;然而,多个磨粒同时通过传感器引起的信号混叠是造成检测误差的一个重要原因。提出一种基于神经网络的混叠误差修正方法,通过采用单个磨粒的实际信号构造混叠样本,对神经网络进行训练,从而获得磨粒信号的混叠模型,并且能够解决传感器差异所造成的方法适应性问题。最后,采用正弦波模拟磨粒信号验证了方法的有效性。     

基于PCA和改进的BP网络的肺结节识别研究

提出了一种基于PCA和改进的BP神经网络的CT影像肺结节检测方法。将已经获取的肺部影像中肺结节和血管的特征数据经PCA处理后,应用改进的BP神经网络进行分类,经过竞争选择,获得分类结果。实验证明该识别方法实现简单、识别率高、训练速度与识别速度较快,训练好的网络有很好的分类能力。     

基于神经网络的分阶车牌字符识别算法研究

为了提高复杂环境下车牌字符的识别率和识别速度,提出了一种基于BP神经网络和卷积神经网络(CNN)的分阶车牌字符识别算法。该算法第一阶段采用BP神经网络对车牌中的汉字、非相似字符进行识别;并在第二阶段用改进的CNN对车牌中的相似字符进行识别。最后通过实验横向、纵向对比,验证了该神经网络算法的有效性。实验结果表明,相对于传统的BP神经网络算法,明显提高了车牌字符的识别率,同时减少了车牌的识别时间。     

基于BP神经网络的管道泄漏声信号识别方法研究

针对城市供水管网泄漏检测需求,进行了泄漏声信号识别方法研究。分析了泄漏信号的时域、频域及波形特点,提取出可用于泄漏信号表征的20种特征参数;基于提取的泄漏声信号特征参数,构建了泄漏声信号BP神经网络识别系统;研究了神经网络结构(隐含节点数、传递函数、学习率)及输入参数的数量和种类对泄漏信号识别效果的影响,并优化出最佳的神经网络结构及输入参数。在以上研究基础上,利用优化后的神经网络对实验室及现场管道泄漏信号进行了交叉训练和识别,结果表明,提出的基于泄漏特征参数的神经网络系统具有较高的可靠性和普适性,可以很好地实现不同场景下泄漏信号的交叉识别,整体识别率达92.5%,为解决不同工况下泄漏信号识别做了有益的探索。     

基于神经网络颜色识别在RoboCup中的应用

提出了在visualC＋＋环境下的基于神经网络颜色识别方法，并将其应用到RoboCup中。该方法首先在visualC＋＋中提取颜色的YUV值，然后设计神经网络并处理YUV值，网络最后输出颜色对应的ID值。该方法极大地提高了颜色提取和识别效率。