BP神经网络在截齿合金头失效识别中的应用

为实现采煤机截割过程中截齿合金头失效形式的监测和识别,提出一种基于BP神经网络的多特征信号识别截齿合金头失效形式的方法。测试提取截割过程中合金头龟裂、合金头脱落、合金头崩刃和合金头严重磨损4种截齿x,y,z三个方向上的振动特征信号和截割电机电流特征信号,选取特征值信号的最大值、均值和方差作为特征样本对BP神经网络进行学习和训练,建立截齿合金头失效形式的识别模型,实现截割过程中截齿合金头失效形式在线监测与准确识别。实验结果表明,BP神经网络的判别结果和测试样本的实际失效类型相符,能够对截齿合金头失效形式进行准确识别,为实现采煤机截齿在线监测和失效形式识别提供新的方法和手段。     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

基于希尔伯特-黄变换和隐马尔可夫模型的气液两相流流型识别方法

为了研究垂直上升管中的气液两相流的流型,利用自制的多电导探针的测量系统采集了四种典型流型的电导波动信息.由于气液两相流电导波动信号的非平稳特征以及神经网络学习收敛慢等问题,提出了一种基于希尔伯特-黄变换(hilbert-huang transform,HHT)和隐马尔可夫模型(hidden markov model,HMM)的两相流流型识别方法.该方法首先将信号经验模态分解(empirical mode decomposition,EMD)后的固有模态函数(IMFs)进行希尔伯特变换得到其幅值能量,并将其作为特征向量,输入到已经训练完毕的各状态HMM中,实现了对气液两相流的流型识别.实验结果表明:该方法能很好的识别垂直管内的4种流型,而且优于BP神经网络,从而为流型识别开辟了一条新的途径.     

基于BP神经网络的截齿磨损程度在线监测

为实现截齿截割过程中磨损程度的实时精准在线监测,提出了一种基于BP神经网络的截齿磨损程度多特征信号融合的检测方法。通过提取截割过程中不同磨损程度截齿的三向振动信号、红外温度信号和电流信号,建立了不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对BP神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:基于BP神经网络的截齿磨损程度监测系统,网络判别结果和测试样本的实际磨损程度类别相符,该BP神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

利用振动频谱预测刀具磨损量

采用振动传感器采集刀具车削时的信号,对振动信号进行短时傅里叶变换,将频谱集中区域(0~6250)Hz内的频率幅值直接输入到BP神经网络中进行训练,使神经网络建立振动信号频谱与刀具磨损量之间的映射关系,从而实现刀具磨损监测。人工提取的特征值一般数量较少,往往不能全面细致地刻画信号的特点,而该方法则充分发掘了神经网络强大的学习能力,具有方法简单、识别精度高、稳定性好的优点。实验结果表明,该方法可以快速准确地预测刀具磨损量。     

基于小波包分析和BP神经网络的字符识别方法

利用小波包分析具有提取图像时、频两域细节和局部特征的能力,提出了将字符图像的小波包分析和BP神经网络相结合以达到识别字符的新方法。该方法首先对字符图像进行小波包分解,然后对分解系数进行重构,求得重构图像的能量;然后提取了不同字符图像的能量构造成能量特征向量,作为神经网络的输入;然后通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络;最后通过神经网络模型进行训练。实验证实该方法具有识别正确率高、速度快等优点。     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

基于自适应遗传BP算法的混合气体定量检测研究

针对混合气体检测问题,利用误差反向传播(BP)算法和遗传算法,提出了用自适应遗传算法优化BP神经网络的方法来实现定量检测.即利用遗传算法的全局搜索能力,对神经网络连接权值和阈值进行优化,再以优化后的初值作为BP神经网络的初始连接权值和阈值,最后用附加“动量项”的误差反向传播算法训练BP网络.设计了一个结构为7×18 ×3的3层BP网络用于一组含有5个样本的混合气体识别试验.结果表明:将自适应遗传神经网络算法应用于混合气体定量识别的训练中,收敛速度比附加“动量项”BP算法要快,而且学习精度更高,识别效率也提高了2/3.     

结合汽车车载式称重的轮胎气压在线监测装置的研究

提出了一种多功能轮胎气压在线监测装置,将实现对行驶中的汽车的各个轮胎进行实时监测,对过压、过热、欠压等状况进行报警,并提出利用神经网络算法得出加载或卸载前后胎压变化值与载重量的映射关系,从而实现直接在驾驶室内完成汽车装载和卸载时自身载重的实时称量。本文详细地论述了其硬件结构、软件设计以及实现汽车车载式称重的方法。     

结合汽车车载式称重的轮胎气压在线监澳装置的研究

提出了一种多功能轮胎气压在线监测装置，将实现对行驶中的汽车的各个轮胎进行实时监测，对过压、过热、欠压等状况进行报警，并提出利用神经网络算法得出加载或卸载前后胎压变化值与载重量的映射关系，从而实现直接在驾驶室内完成汽车装载和卸载时自身载重的实时称量。本文详细地论述了其硬件结构、软件设计以及实现汽车车载式称重的方法。     

基于BP神经网络和D-S证据理论的火灾报警系统

将BP神经网络与数据融合理论中的D-S证据有机融合,提出一种决策级火灾报警识别方法.通过模拟实际输入信号的仿真结果发现,将BP神经网络和D-S证据理论相结合的多传感器数据融合技术,可以显著提高火灾的识别能力,有效降低火灾误报率,而且该系统具有良好的适应性,达到了预期效果.     

基于神经网络的气缸压力识别研究

对传统的内燃机气缸压力识别方法存在的问题 ,提出了应用人工神经网络方法进行气缸压力识别的新方法。以 BP网络构造气缸压力识别模型。通过对网络的训练 ,用实测的缸盖振动信号识别气缸压力。结果表明 ,利用神经网络进行内燃机气缸压力识别 ,识别结果的重复性好 ,精度较高     

小波分析和神经网络在社区健康监护系统中的应用

针对监护对象状态难判定问题,对小波分析和神经网络相结合的方法判定、预测监护对象所处状态进行了研究,并实现自动报警,以便医护人员做出更准确的诊断决策.采用串联方法将两者相结合,用小波分析对用户的多生理参数进行预处理并提取特征值,然后将处理后的信号作为神经网络的输入向量,状态信息作为输出,实现监护对象状态判定及预测.     

基于改进深度卷积网络的铁路入侵行人分类算法

异物侵入铁路限界严重影响行车安全,识别铁路限界内的人员侵入对保证铁路运营安全具有重要意义。由于既有铁路图像异物侵入检测系统只能检测报警图像,无法区分是人员侵入的正确报警还是光线干扰导致的误报警,为了降低上述误报警,本文建立了铁路异物侵限报警样本的训练集和测试集,提出了将改进的深度卷积网络提取的高层Alex特征和HOG特征相结合并用于深度卷积网络模型训练的分类算法。首先引入了改进的AlexNet深度卷积神经网络模型,提取了自动学习的Alex高层特征,然后将其与HOG特征相结合形成Alex-HOG组合特征,最后利用组合特征对分类网络进行训练。铁路异物侵限报警测试样本库的实验表明,该方法对1 498张测试样本图像的识别准确率高达98.46%,时间为3.78s,实时性和准确率均有较大提高,对降低系统误报率具有重大意义。     

一种优化算法在齿轮传动装置故障诊断中的应用

分析了粒子群算法（PSO）和差分进化算法（DE）的特点,提出了一种PSO-DV算法用于优化BP神经网络的权值和阈值,并利用PSO-DV算法优化的BP神经网络进行了齿轮箱的故障诊断。试验结果表明,PSO-DV算法可以避免神经网络陷入局部极小,改善了收敛性能,同时保证了齿轮箱故障诊断的正判率。     

New Method for Monitoring Tire Pressure of Cars Based on the Tire Radial Deformation

Monitoring tire pressure of cars and signaling abnormal conditions is an important means to prevent deadly accidents. Large achievements have been gained, especially in direct tire pressure monitoring system(TPMS). But there has been rarely research on indirect TPMS in the world. In China, the research on indirect TPMS is almost lacking. The international research on the indirect monitoring tire pressure method is mainly based on measuring and comparing the rotating speed of wheels. But it is very difficult to measure wheel rotating speed accurately because of the influence of many random factors. In this paper, the authors propose a new method in which the tire pressure can be monitored indirectly. This method can be used for tire calibration, wheel speed frequency standardization, wheel speed frequency comparison, and abnormal tire pressure determination. The pulse frequencies from wheel speed sensors of ABS are used to indicate tire deformation. Because the frequency has a relationship with tire deformation, the tire deformation reflects the tire pressure. Small sample statistics is used in the new method to increase the accuracy, and the experimental samples using the principle of the new method have been made and tested. The result of vehicle tests on road demonstrates that the method is efficient and accurate to monitor tire pressure. The research has positive potential for developing products.     

基于径向基函数神经网络的铣刀磨损监控技术的研究

提出一种基于径向基函数神经网络的铣刀磨损监控方法,径向基函数神经网络的输出是刀具磨损的具体值,这样有利于对刀具磨损进行各种实时补偿。实验表明,利用径向基函数神经网络进行状态识别可对小型立铣刀的磨损进行监控,能够取得良好的效果,同时证明RBF网络的训练速度优于BP网络。