基于小波神经网络的电动机转子故障诊断

在电动机故障诊断技术中,基于振动和定子电流频率成分的检测是电动机故障检测的两种主要手段.讨论了基于振动故障信号的检测方法.由于电动机振动信号是非平稳随机信号,故障信号中往往含有大量的时变、短时突发性质的成分,传统的傅里叶信号分析不能有效地提取电动机的故障特征,而且还可能将含有丰富故障信息的微弱信号作为噪声去除.因此,引入比小波分析更强的小波包变换技术来提取信号的故障特征信息,得到的结果作为神经网络的输入信号,用神经网络的L-M优化算法来进行训练,然后用BP神经网络来进行故障识别.采用Matlab软件进行仿真,证实该方法对电动机故障诊断的有效性和准确性.     

基于小波变换圆度误差的检测方法

针对圆度误差在非接触检测过程中噪声对原始信号产生干扰的问题,提出采用小波变换进行采样信号的降噪处理,小波变换具有多分辨率分析的特点,在信号分析处理中能有效区分信号中的噪声,具有良好的去噪能力;讨论了快速小波变换算法及小波阈值降噪法的基本原理和处理实测信号的具体步骤;分析了基于小波变换的最小二乘圆法评定圆度误差的算法,并推导了最小二乘圆的理论模型;运用Matlab小波工具箱并通过试验说明了小波分析处理圆度误差的方法和效果。     

基于正态反高斯模型的自适应小波消噪方法

提出一种基于正态反高斯分布模型局部逼近小波系数的降噪算法。该算法以db5小波作为振动信号的分解小波,对噪声信号进行分解。对于分解过程中包含大量噪声的小波系数,利用具有良好细节逼近性能的正态反高斯分布构造先验模型,在先验模型的基础上,运用贝叶斯最大后验概率估计从含噪的小波系数中估计出真实的小波系数。在后验估计的过程中,对于估计模型中的关键系数采用粒子群算法进行优化选取。利用估计的小波系数来重构信号,得到降噪后的信号。通过仿真实验和实际轴承的故障信号对该方法进行了验证,结果表明,该方法具有较好的降噪效果,可以有效的消除信号的噪声。     

基于小波除噪和经验模式分解的信号分析方法

经验模式分解是一种自适应分解算法。通过对常见信号的经验模式分解结果进行分析,发现信号中包含的噪声对分解结果影响较大。在此基础上,提出一种小波除噪与经验模式分解相结合的信号分析方法。该方法充分利用小波变换的降噪功能和经验模式分解的自适应分解能力,能真实地反映信号特征,为基于信号分析的故障诊断提供了一种可行的途径。     

基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断

针对风电机组齿轮箱中齿面点蚀、齿轮磨损、断齿等故障的诊断问题,提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰。利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。小波阈值能更好地对EEMD分解中的高频分量进行去噪处理,CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。通过实例仿真表明,提出的故障诊断方法具有良好的诊断精度、速度和成功率,具有较高的应用价值。     

小波阈值降噪算法中最优分解层数的自适应确定及仿真

小波阈值降噪算法是一种有效的从测试信号中去除噪声的方法.通过对有用信号和噪声信号在小波空间上传播特性的不同进行分析,提出了一种基于小波去相关白噪声检验的最优分解层数自适应确定算法.该算法可以根据含噪声信号的特点和信噪比,自适应的选择小波变换的最优分解层数以达到最优的降噪效果.最后,在MATLAB环境下进行了仿真实验,并进行了工程应用.仿真实验和工程应用结果表明,该方法可以有效的确定合理分解层数得到最优的信噪比.     

小波变换在压力传感器输出信号去噪中的应用

压力传感器输出信号一般都包含了噪声信号,尤其其感受的压力信号比较微弱时,信噪比较小,输出信号不能以较高的精度表示输入压力物理量。为了最大程度地提高压力传感器输出信号的信噪比,在分析传感器输出信号中噪声特性的基础上,利用小波变换的多尺度分析特性对输出信号进行小波分解,选择合适的阈值算法处理分解后的小波系数以实现在重构输出信号中去除噪声。实验结果表明该方法能够显著提高压力传感器输出信号的信噪比,优于基于傅里叶变换的去噪方法。     

基于最优小波基的电机故障信号特征提取研究

小波变换去噪中最关键的问题是最优小波基的选取,使其能够将噪声从原始信号中分离出来。针对电机故障的特点,提出了一种基于信号的最优小波基选取方法。将信号小波变换的能量阈值曲线作为小波基函数的适用性评价指标。通过训练神经网络,选取适合该信号的最优小波基,最后采用平移不变量(TI)小波阈值法实现信号去噪。在此基础上对750W化纤电机进行了测试,实验结果表明,该方法能准确找出适合特定信号的最优小波基。训练后的神经网络可直接用于其它类型电机的信号去噪处理,具有实用价值。     

侵彻引信电路振动噪声处理方法研究

针对侵彻引信电路在受到过靶大过载冲击时的电路振动噪声问题,建立了侵彻冲击振动激励与电路振动噪声响应之间的数学模型;提出了一种基于小波分析的噪声消除方法。该方法通过对侵彻引信冲击激励信号进行小波分析,对输出电路振动噪声响应信号进行高斯函数拟合,建立了冲击振动激励信号与输出振动噪声响应信号之间的关联函数,在此基础上设计了针对于侵彻引信冲击振动激励的输出电路噪声信号处理算法。仿真结果表明,该算法对冲击振动引起的侵彻引信电路噪声有明显消噪效果。     

半球谐振陀螺滤波算法研究

针对半球谐振陀螺输出信号噪声的特点,提出了一种处理该噪声的前向线性预测(FLP)滤波与小波变换相结合的滤波方法,运用Allan方差法对滤波结果进行了分析.该方法以FLP滤波作为前段滤波器,采用DB4小波函数的强制阈值小波变换作为第二级滤波器.为了改进该级联滤波算法的不足,提出了基于神经网络的滤波融合算法.仿真结果表明,该滤波融合算法保留了级联滤波算法的优势,同时最大程度的保留了信息的完整度,滤波精度得到极大提高.     

工程扫描图中字符识别方法的研究

在分析BP神经网络学习算法的基础上,提出一种基于自适应步长的神经网络分类器,用于工程扫描图中字符的识别。实验证明,该系统具有很强的自学习、自适应能力和良好的抗噪性能,识别精度较高,为进一步研究工程扫描图中字符识别问题提供了一种有效的途径和方法。     

用神经网络提取模糊诊断知识的方法

改进了Ｂ－Ｐ神经网络的算法结构,找了单层神经网络权值矩阵与模糊综合评判关系矩阵之间的对应关系,由此构造了模糊神经网络系统,本系统解决了模糊诊断学习困难的局限,可以将所学知识中具有普遍意义的知识提取出来,同时,将过去隐含分布式的神经网络权值矩阵的物理意义明晰化,克服了单层Ｂ－Ｐ网络的一些局限性。     

基于广义逆推算法的液压减振器抗异响设计

为获取减振器以某种概率产生某种程度异响时底层设计变量的取值区间，提出了基于广义逆推算法的减振器抗异响设计。以某型轻微异响（普通乘员可察）减振器为例，建立了对异响贡献度较高的7个设计参数与减振器杆端加速度有效值间的映射关系：条件受限玻尔兹曼机(Conditional Restricted Boltsmann Machines,CRBM)与深度信念网络(Deep Belief Network,DBN)相结合的CRBM-DBN近似模型，进而通过智能优化算法和区间搜索技术求解了设计参数的最优区间。对3支参数组合比较典型的的优化样件进行台架试验及整车主观感受，结果表明：优化样件的异响程度降低明显，进一步验证了减振器抗异响设计思路的有效性。     

基于视觉显著性的太阳能电池片表面缺陷检测

现有基于机器视觉的太阳能电池片表面缺陷检测算法均是采用各种类型的数学模型来进行算法设计,为进一步提高检测准确率,从人眼仿生学角度出发,首次将人眼的视觉注意机制引入到太阳能电池片表面缺陷检测中,提出了一种基于视觉显著性的太阳能电池片表面缺陷检测算法。首先,对输入的太阳能电池片表面图像进行预处理,去除对检测有影响的噪声和栅线;其次,提出一种基于自学习特征的视觉显著性检测算法来大致定位缺陷区域;随后,提出一种视觉显著性和超像素分割相结合的算法来进一步精确定位缺陷区域;最后,通过形态学后处理得到最终检测结果。在包含多种缺陷类型的测试图像库上的主观和客观实验评估表明,该算法具有较高的检测准确率。     

基于GA-BP的汽车风振噪声声品质预测模型

目前对于汽车风振噪声的优化研究主要以声压级（Sound pressure level，SPL）作为单一评价指标，既不能全面反映噪声的物理属性，也无法考虑人耳对噪声的主观认知过程。为准确评价风振噪声，引入声品质，运用大涡模拟（Large eddy simulation，LES）对风振噪声进行数值仿真，根据实车道路试验判断仿真的准确性；对仿真结果进行声品质客观评价与主观评价，综合声品质客观评价参数与声品质主观评价试验结果建立BP神经网络预测模型；利用遗传算法（Genetic algorithm，GA），进一步对BP神经网络的结构参数进行优化，建立GA-BP声品质预测模型。研究结果表明，GA-BP声品质预测模型在训练速度和预测精度上都优于BP神经网络预测模型。预测模型基于声品质主客观评价结果，其预测值可以代替传统的声压级评价指标，为风振噪声提供更为准确合理的评价。     

Temporally local recurrent radial basis function network for modeling and adaptive control of nonlinear systems

In this paper, a novel temporally local recurrent radial basis function network for modeling and adaptive control of nonlinear systems is proposed. The proposed structure consists of recurrent hidden neurons having weighted self-feedback loops and a weighted linear feed-through from the input layer directly to the output layer neuron(s). The dynamic back-propagation algorithm is developed and used for updating the parameters of the proposed structure. To improve the performance of learning algorithm, discrete Lyapunov stability method is used to develop an adaptive learning rate scheme. This scheme ensures the faster convergence of the parameters and maintains the stability of the system. A total of 5 complex nonlinear systems are used to test and compare the performance of the proposed network with other neural network structures. The disturbance rejection tests are also carried out to check whether the proposed scheme is able to handle the external disturbance/noise signals effects or not. The obtained results show the efficacy of the proposed method.     

基于SSDAE深度神经网络的钛板电涡流检测图像分类研究

钛板电涡流成像检测易受工业现场中的噪声影响,包含噪声的检测图像往往难以提取较好的特征,从而影响分类识别精度。针对以上问题,提出了一种基于栈式稀疏降噪自编码(SSDAE)深度神经网络的钛板缺陷电涡流检测图像分类方法。将稀疏性限制引入降噪自编码器并进行逐层无监督自学习,然后将自编码器栈式组合后添加逻辑识别(LR)层,构建出SSDAE深度神经网络,网络在有监督微调后可实现钛板缺陷电涡流图像特征自动提取与分类识别。稀疏性限制的引入提高了特征学习能力,降噪自编码器的栈式组合提高了深度网络的鲁棒性。实验结果表明,相比其他常规方法,所提出方法不仅在理想环境下有更高的分类准确率,且该方法能有效抵抗噪声,在复杂工况下能更有效地对钛板缺陷进行分类识别。     

基于遗传算法的失真医学图像复原方法研究

医学图像在形成、传输和记录过程中,由于受多种原因的影响,图像的质量会有所下降,典型表现为图像模糊、失真、有噪声等。针对现有图像遗传恢复算法存在的缺陷,从编码设计、种群初始化、遗传算子操作及更新机制,提出了自己的观点,在MATLAB7．0环境下结合不同图像进行仿真实验,     

基于Kohonen网络的柴油机噪声故障分析系统

介绍了利用 Ａｄａｌｉｎｅ 自适应单元进行去除噪声干扰来达到对柴油机工作时的异常声响分析的方法。通过自组织人工映照神经网络模型对其故障诊断给出了一种分析模型,并与常规的 Ｂ Ｐ网络相比较,得出其具有自学习功能,运算速度快,类型识别能力强的优点。     

一种有效的去除图像混合噪声的滤波算法

依据噪声特点以及图像的像素关联性,提出了一种有效的数字图像混合噪声滤波算法。该算法首先对图像像素进行检测,依据受脉冲噪声污染的图像像素与其周围邻域多数像素在亮度上具有显著差异的特点准确检测出脉冲噪声,然后以检测到的脉冲噪声为被处理像素,用其邻域内未被脉冲噪声污染的图像像素对其进行中值滤波,由于当前脉冲噪声点以及邻域脉冲噪声点均未参与滤波运算,从而较好地保护了图像的细节。对图像中的高斯噪声,提出了一种改进的加权均值滤波算法,该算法在定义相关度函数时,既考虑了像素的灰度相关性,又考虑了像素的位置相关性。实验结果表明:提出的混合噪声滤波算法不仅可以有效滤除图像中的混合噪声,而且还可以较好地保护图像的细节。