共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
5.
基于神经网络的动态称重系统的DSP实现 总被引:1,自引:0,他引:1
针对BP网络学习算法的特点,选取了TI的浮点芯片TMS320C6711,实现了基于DSP的BP网络学习算法,为神经网络在动态称重中的应用做了一些有意义的研究工作. 相似文献
6.
7.
基于FLANN的动态称重法 总被引:1,自引:0,他引:1
根据“逆模型”的思想 ,利用神经元网络良好的逼近能力 ,基于函数联接型神经网络 ( FLANN)的传感器动态补偿方法和最小二乘法 ,提出了一种车辆动态称重解决新方法 相似文献
8.
《中国计量学院学报》2015,(3):274-279
利用ADAMS软件建立动态轨道衡称重系统模型,并通过实际测量来验证其可靠性,使软件仿真取代动态称重现场数据采集,降低测量劳动强度.首先根据实际的轨垫式轨道衡的称重结构原理建立模型,利用单一变量法改变质量或者速度,进行仿真称重过程,从而得到在不同的负载、不同速度下的仿真称重数据.然后再利用动态轨道衡实测相应数据,与软件仿真结果比较分析.结果表明,当车辆速度在20km/h以内,模型仿真结果与实际实验结果吻合,验证了动态轨道衡称重模型的可靠性,可用软件仿真取代动态称重现场数据采集工作,为动态轨道称重补偿研究奠定理论基础. 相似文献
9.
10.
针对经验模态分解(Empirical Mode Decomposition,EMD)中存在的边界效应及边界发散现象随着筛选层次的增加而增加的问题,提出一种利用延拓与可变余弦窗相结合的改进新方法。首先对信号进行延拓处理,增加一定长度的数据,实现延拓数据与原始信号交界处的光滑过度。其次,根据信号边界的发散程度,在逐层提取各阶本征模函数(Intrinsic Model Function,IMF)之前,在信号两端加上宽度可变的余弦窗函数,使得每一个IMF分量边界发散问题最小化,保证信号有效数据的正确分解,实现EMD边界处理算法的改进。仿真和实例信号分析表明,该方法能较好地抑制EMD边界效应,有效地提取故障信号中的特征信息。 相似文献
11.
针对称重干扰对测量信号造成扰动并产生计量误差影响动态秤称重性能的情况,研究量化评估方法实现称重干扰的测量和分析.按照称重时间相同原则,采用称重数据处理方法处理称重干扰数据,获得干扰造成的计量误差,从而以不同场景的干扰组成成分不同为依据,统计量化评估不同干扰成分对计量结果的影响强度.回归系统性能研究,经过在动态秤的试验,... 相似文献
12.
针对卷积神经网络(Convolutional Neural Network,CNN)在滚动轴承故障诊断应用中所存在超参数难以确定、网络输出不稳定等问题,提出一种基于差分进化算法(Differential Evolution,DE)优化卷积神经网络的故障诊断模型(CNN-DE)。首先,该故障诊断模型利用DE算法来自适应调节CNN中的超参数,同时将CNN的诊断精度和稳定性一起作为DE算法优化的目标,使得CNN在保证精度的同时降低网络的波动;其次,使用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)结合多参数的诊断方法,从原始信号中提取出更加有效的故障特征;最后,根据提取出的特征采用CNN-DE、CNN和BP等算法进行故障诊断,结果表明所提出的算法模型拥有更高的精度和更稳定的性能,也具有优异的抗噪能力,显示了CNN-DE在故障诊断应用中的可靠性。 相似文献
13.
14.
为提高负荷预测精度,该文提出一种基于VMD-GRU-EC的短期电力负荷预测方法。针对原始负荷序列非线性和非平稳性的特点,利用VDM分解方法将原始负荷序列分解得到若干个子序列,利用GRU模型分布针对每个子序列建立预测模型,最终将每个子序列的预测值相加得到负荷序列的初始预测值。在得到负荷序列的初始预测之后可得到误差序列,同样利用VMD-GRU模型预测误差序列。利用VMD-GRU模型依次得到初始预测负荷和误差序列后,通过误差校正(error correction, EC)得到最终的预测负荷。实验研究表明,在所有预测模型中,该文所提预测方法预测精度最高,稳定性最强。验证所提模型的有效性与优越性。 相似文献
15.
16.
为了消除隧道爆破振动信号中无规则混杂的噪声,引入了一种基于CEEMD(互补集合经验模态分解)的低通去噪方法。首先对模拟正弦信号进行EMD、EEMD、CEEMD分解,验证CEEMD分解方法的优越性,然后使用EMD和CEEMD低通方法分别对新鼓山隧道爆破信号进行去噪处理,结果表明该方法不仅克服了小波类去噪基函数选择困难和EMD模态混叠的问题,还能够使爆破波形保留其真实性和完整性,为爆破信号的精确处理奠定了基础。 相似文献
17.
针对滚动轴承故障特征较难提取及许多深度学习方法因模型简单而导致准确率偏低的问题,提出一种基于残差网络的门控循环网络(GRU),该算法可以减少时序信息的丢失及解决由于网络较深而出现性能下降的问题。该模型包含2个卷积层、2个GRU层、1个残差块以及1个输出层,其先利用具有强大特征提取能力的卷积神经网络(CNN)提取轴承振动信号中的信息,然后将提取到的信息输入GRU中以保证时序信息不丢失,再通过残差模块解决神经网络深度较深问题,最后通过输出层输出结果。结果表明:该方法可以一次性诊断多种轴承的不同位置及不同尺寸的故障,且对比其他深度学习网络,该算法具有更高的准确性。 相似文献
18.
19.
基于EMD和功率谱的齿轮故障诊断研究 总被引:8,自引:7,他引:8
提出了一种基于经验模态分解EMD(Empirical Mode Decomposition)的齿轮裂纹故障诊断的新方法。EMD方法具有自适应的信号分解和降噪能力,EMD是先把时间序列信号,分解成不同特征时间尺度的固有模态函数(Intrinsic Mode Function,简称IMF),然后通过选取表征齿轮裂纹故障的IMF分量进行功率谱分析,就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明:该方法能有效地识别齿轮的齿根裂纹故障。 相似文献