基于EBF神经网络的引射器结构参数优化

为提高氢燃料电池引射器的性能,以额定工况下氢燃料电池引射器为研究对象,提出一种基于椭球基(EBF)神经网络模型和非线性序列二次规划(NLPQL)算法的引射器结构参数优化方法。基于正交试验,建立EBF神经网络模型,描述引射器结构参数与引射系数间的非线性关系;通过引射系数模拟值与代理模型预测值的对比以及复相关系数,验证了代理模型的精度;最后,应用NLPQL算法进行全局寻优,获得使引射系数最大的结构参数组合,并进行模拟验证。研究结果表明：基于EBF神经网络和NLPQL算法,提高了燃料电池引射器的引射系数,相对于正交试验方案最大值,引射系数提高了3.9%。基于正交试验设计和EBF神经网络的方法,可以扩大引射器结构参数研究范围和水平,节约CFD模拟计算时间。     

基于CS优化深度学习卷积神经网络的目标检测算法

目前对于形状比较复杂且密集摆放的工件,传统的工业机器人视觉分拣技术已经无法有效检测和识别。因此,为了提高生产线上分拣工件检测的准确率,提出了一种基于布谷鸟搜索算法(Cuckoo Search,CS)优化深度学习卷积神经网络(Convolutional Neural Network,CNN)的目标检测算法。首先对视觉分拣系统的组成进行了分析。然后采用经典的Faster R-CNN的模型结构来实现目标检测,并将CS优化算法应用到CNN模型的参数训练中,解决了反向传播的局部最优问题,同时提高了迭代速度。工件检测实验结果表明:相比于传统的CNN模型,提出CS-CNN模型具有更好的目标检测的准确率,提高了网络的收敛速度。     

基于深度神经网络的滚动轴承故障诊断

针对浅层神经网络方法依靠专家经验和信号处理技术进行人工提取大量滚动轴承数据的特征变得越来越困难,而且神经网络浅层结构限制了神经网络学习复杂非线性关系的功能。结合深度学习在特征提取和处理大数据等优势,研究一种基于深度神经网络的滚动轴承故障诊断方法。该方法直接从原始数据中提取出有用特征,所提取的特征作为BP神经网络(BPNN)的输入识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障,外圈故障和滚珠故障四种状态以及各个状态的不同故障严重程度的分析,实验结果表明所研究的的方法不仅仅能够从原始信号中挖掘出有用的故障特征,还可以诊断出故障的严重程度,和BPNN相比具有更高的诊断准确率。     

基于深度神经网络的粗糙度分类检测

现有的机器视觉测量表面粗糙度的方法依赖于特征提取来量化表面形态并建立预测模型,并且图片样本采集时高度依赖光源环境和拍摄角度。提出利用Swin-Transformer模型直接从表面纹理的数字图像中评估表面粗糙度并进行分类,避免了特征提取。实验中采用了不同的光源亮度和不同的角度进行拍摄,旨在模拟工业生产在线检测的环境。实验分类结果表明该方法对光源和拍摄角度具有良好的鲁棒性,测试集样本准确率可达97.54%。     

基于深度卷积神经网络的焊缝图像滤波

针对视觉焊缝跟踪中焊缝图像滤波处理的实际需求,提出基于深度卷积神经网络的焊缝图像滤波(WIF-CNN)模型,实现了对焊缝图像中不同类型噪声的有效滤除。所提出的WIF-CNN网络基于VGG网络实现,通过去除VGG网络中的全连接层和池化层,实现了图像端到端的训练;通过引入残差网络结构和BN层,使WIF-CNN网络在保持较高层数的同时,具有较高的准确率和较快的收敛性;按照随机洗牌策略生成训练数据集,提高了WIF-CNN网络的鲁棒性。结果表明：当分别过滤含有高斯、泊松和椒盐噪声的焊缝图像时,与均值、高斯、中值、NLM和BM3D等滤波算法相比,所提出WIF-CNN网络的滤波效果最好,经过WIF-CNN网络滤波处理后的焊缝图像噪声强度大幅降低,且失真度较小;所构建的WIF-CNN网络可以满足焊缝视觉跟踪中图像滤波处理的要求,有利于后续焊缝图像处理的进行。     

基于数值模拟的大型发电飞轮铸造工艺优化

利用MAGMA铸造模拟软件对发电飞轮的流场、温度场以及凝固过程等进行了分析。预测了缺陷分布及其严重程度,根据模拟结果提出了工艺优化措施,为实际生产提供了参考。     

基于CS优化深度学习卷积神经网络的目标检测算法（英文）

目前对于形状比较复杂且密集摆放的工件,传统的工业机器人视觉分拣技术已经无法有效检测和识别。因此,为了提高生产线上分拣工件检测的准确率,提出了一种基于布谷鸟搜索算法(Cuckoo Search,CS)优化深度学习卷积神经网络(Convolutional Neural Network,CNN)的目标检测算法。首先对视觉分拣系统的组成进行了分析。然后采用经典的Faster R-CNN的模型结构来实现目标检测,并将CS优化算法应用到CNN模型的参数训练中,解决了反向传播的局部最优问题,同时提高了迭代速度。工件检测实验结果表明:相比于传统的CNN模型,提出CS-CNN模型具有更好的目标检测的准确率,提高了网络的收敛速度。     

基于遗传优化的BP神经网络

人工神经网络的优化学习是其研究中的一个重要课题.将遗传算法用于BP神经网络的学习,将遗传算法的全局搜索和BP神经网的局部搜索相结合,并设计一网络实例加以训练,达到了比较满意的效果.     

基于深度循环神经网络的大规模风力发电功率预测

本文针对目前风力发电功率预测存在超短期、精度差等问题,通过分析大规模风力发电功率特性和风电预测时间序列特性,提出以深度循环神经网络进行预测,结合小波系数多尺度分析的隐马尔可夫预测方法,将深度学习引入到循环神经网络中来,构建基于多尺度隐马尔可夫模型?深度循环神经网络模型的大规模风力发电功率预测模型(MHMM?DRNN)....     

基于深度卷积神经网络的轴承故障诊断技术研究

为了提高轴承故障诊断的准确度,采用深度卷积神经网络算法来实现轴承故障分类。首先根据轴承振动故障特征频率建立轴承故障数据库,接着对轴承的振动信号按不同切片长度和固定宽度进行周期提取,建立特征向量矩阵,然后建立深度卷积神经网络的故障诊断模型,在网络设计时,差异化设置卷积核与池化尺寸,优化神经网络训练的核心参数,最后获得稳定的卷积神经网络模型。经过实例仿真,基于深度卷积神经网络的轴承故障分类准确率高,标准差小。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于深度神经网络的斜轧穿孔机调整参数预测

针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大,且传统机理公式计算的设定值精度不高的问题,提出了基于深度神经网络的斜轧穿孔机调整参数预测模型。首先,综合分析了传统的调整参数的数学模型,并在此基础上确定了调整参数的主要影响因素。依据现场收集的数据集,训练了二辊斜轧穿孔时轧机参数的深度神经网络预测模型。在训练深度神经网络时,运用小批量梯度下降法和Adam算法相结合的方法进行了梯度估计修正,优化了训练速度。仿真结果表明：经深度神经网络模型预测的轧机调整参数与实测数据比较,预测模型的R-squared值控制在0.98左右,调整参数的相对误差均可控制在5%以内。相比于传统数学模型,该预测模型具有更高的预测精度,能够实现轧机调整参数高精度预测并用于指导生产。     

柴油发动机飞轮壳铸造工艺的优化

通过对某种风冷柴油发动机飞轮壳铸造工艺进行优化,减少了铸造缺陷,使飞轮壳铸件良品率由30％～50％提高到83％以上,从而减少重复生产,节约资源和资金,并满足生产及装机任务要求.     

摩擦压力机飞轮摩擦结构的改进

摩擦压力机普遍存在着一个摩擦带使用寿命短的问题。特别是1000kN 以下的摩擦压力机,以牛皮为摩擦带,因牛皮供应紧张而影响生产的情况时有发生。为了解决这一问题,我们根据其他厂的经验,结合我厂的具体情况,将1000和450kN 摩擦压力机的飞轮摩擦带的结构做了较大的改进。由原来摩擦带(牛皮)与摩擦轮以平面摩擦改为立面摩擦,收到了显著的效果。     

基于深度卷积神经网络的滚动轴承迁移故障诊断北大核心

针对滚动轴承故障诊断中故障样本不足、诊断精度与诊断效率不高的问题,提出一种基于深度卷积神经网络的滚动轴承迁移故障诊断方法。首先,通过VMD对原始振动信号进行分解,利用中心频率法确定分解个数k;其次,按照最大峭度准则筛选出最佳固有模态函数(intrinsic mode function, IMF),并对其进行连续小波变换(continuous wavelet transform, CWT)生成时频图;最后,将预处理过的时频图输入到在ImageNet数据集预训练过的深度残差网络(residual network, ResNet)模型中微调,实现故障分类识别。在某大学公开轴承数据集和题课组数据集上验证,测试精度分别达到99.60%和100%,可有效实现滚动轴承故障诊断。     

基于机器视觉和深度神经网络的零件装配检测

针对工业生产中存在着大量的零件识别定位以及装配检测等,传统人工检测效率低、劳动强度大、识别不准确。文章提出了一种基于深度神经网络的零件装配检测方法。首先该方法对零件图像和装配图像进行采集,选择Mask-RCNN网络进行训练,对装配零件进行分类以及定位,通过已识别的零件类型判定装配件是否存在漏装;然后将分割后的零件图像进行二值化处理,利用Canny算子提取零件图像轮廓;最后利用图像的Hu矩特征与正确的零件图像轮廓进行对比,判断装配是否正确。通过实验验证可得,该方法在零件装配中的漏装和换装检测中效果较好,并表现出较高的鲁棒性。     

基于局部分类器和深度神经网络的遥感图像分类

深度学习方法作为大数据自动分类工具时表现出较高的性能,但是在处理遥感图像任务时(比如图像分类问题)表现出效率较低。为此,提出一种新的基于局部分类器和深度神经网络的遥感图像分类算法。首先从原始图像中提取多个局部特征,并将这些特征输入给用于判决的深度神经网络,然后按照分配给图像标签对每个局部特征进行分类。最后根据简易的投票方法判决整体图像的结果。利用WorldView2 高分辨率卫星遥感影像数据进行了分类实验,结果显示：提出的方法优于其他分类方法具有较好的分类准确性和分类效率。     

基于神经网络的压边力优化系统开发

针对圆筒形件拉深成形时压边力这一主要参数,通过数值模拟实验可获得大量模拟数据;在此基础上将神经网络技术及设计方法引入,并以MATLAB数学软件为二次开发平台,开发了基于BP神经网络的压边力优化模块。再将圆筒形件成形数值模拟数据作为训练样本,对训练后的网络进行测试。结果显示,网络误差小于4%,这验证了所建网络模型的正确性和实用性,为拉深成形压边力优化系统的应用奠定了基础。     

基于CAE和神经网络的切削参数优化

提出了一种以变形加工误差为约束的基于有限元分析和神经网络的切削参数优化方法.针对复杂工件夹具系统在切削过程中的变形问题进行有限元刚度计算,然后通过神经网络的方法拟合切削参数和工件夹具系统变形误差之间的关系.并以加工生产效率最大化为目标,在保证加工精度的前提下优化切削参数.从而实现以工艺成本最小化来提高零件的加工精度.