基于小波包与Elman神经网络的气力提升装置流型识别技术研究

气力提升装置流型对气液流动特性及提升系统性能均有很大的影响,但由于气液两相交界面形态以及截面含气率动态变化、气液两相速度复杂难测等原因,致使提升管流型亦交替变化且不易识别。针对这一难题,提出了基于小波包分析与Elman神经网络的流型辨识策略:利用小波包分析方法提取提升装置压差信号各频带能量特征值,借助Elman神经网络辨识技术,以各频带能量为Elman网络输入变量,以流型为输出变量,通过对Elman神经网络进行大量数据训练。从而对提升系统流型进行辨识。实验结果表明,该方法对流型辨识精度达到了92.6%,比BP网络高6.5%,能有效对提升管流型进行辨识。     

基于SANC和一维卷积神经网络的齿轮箱轴承故障诊断

近来以深度学习算法为代表的滚动轴承特征智能提取和故障辨识技术被广泛研究,但目前研究大多局限于无强干扰的轴承故障。在齿轮箱存在较强齿轮振动干扰条件下,基于此类算法的轴承故障辨识率将显著降低。为提高在较强齿轮振动信号干扰下齿轮箱轴承故障智能辨识的准确率,提出了一种基于自参考自适应噪声消除技术(SANC)和一维卷积神经网络(1D-CNN)的齿轮箱轴承故障诊断方法。首先利用SANC将齿轮箱振动信号分离为周期性信号分量成分和随机信号分量,抑制齿轮等周期强干扰成分,再通过1D-CNN对包含轴承故障特征的随机信号成分进行智能特征提取和识别,实现在齿轮振动干扰下齿轮箱轴承故障辨识率的提高。通过与不同方法的对比验证了本文所提方法的优势和有效性。     

基于电容层析成像技术重构图像的两相流流型识别

针对工业多相流流型识别的需求,在过程层析成像技术的研究基础上,将重构图像信息即像素分布进行简单有效地分析处理,利用二维最大熵阈值分割技术及遗传算法优化的神经网络分类器对重构的图像进行处理以实现流型识别。将该方法在气固(空气/煤粉)两相流气力输送平台上对3种典型气固流型进行验证,实验结果表明:50组测试样本中识别正确率为94.7%。     

小通道气液两相流流型辨识与LSTM短期预测研究北大核心CSCD

以空气与水为工质,运用压差传感器与光学位置传感器和高速摄像机对水力直径3.0 mm的小通道水平圆管内气液两相流进行实验研究。根据压差波动信号图、光电传感器模拟信号图及高速摄像机拍摄所得流型图对小通道内气液两相流进行流型辨识,辨识结果表明:存在环状流、层状流、间歇流、以及段塞流四种流型;对四种流型所对应压差波动信号进行LSTM循环神经网络的分析预测,结果表明:LSTM循环神经网络预测模型可实现小通道气液两相流压差信号的在线预测,且预测结果精确,四种流型的均方误差分别为0.004、0.0099、0.0075、0.0156。     

基于小波散射卷积神经网络的结构损伤识别

损伤识别是结构状态评估领域的关键问题之一，对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破，但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network, 1D-CNN)深度学习的结构多类型损伤识别模型，采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换，通过散射系数实现输入层原始数据降维与特征提取，结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上，结合1D-CNN全连接层与Softmax函数实现特征数据分类，从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明：与普通卷积神经网络模型相比，基于小波散射卷积神经网络的结构损伤识别精度显著提升，损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加，小波散射卷积神经网络损伤分类准确率虽略有下降，但仍保持较高精准度，说明该方法具有较强的鲁棒性抗噪能力。     

基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法.首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习...     

基于matlab的计量手写体数字自动识别

基于matlab,在计量检定领域实现了手写体数字的自动识别。设计了特征提取算法,使用概率神经网络(Probabilistic Neural Networks,PNN)为分类器,对计量手写体数字进行分类,所得的分类器对训练样本能够得到100%的正确率,训练时间短,在较大噪声干扰下,正确率仍为98%,满足军事计量的要求。     

基于盲辨识模型和极限学习机的下肢假肢路况识别

针对大腿截肢者穿戴智能假肢路况识别准确率低的问题,提出了一种盲辨识理论和极限学习机相结合的路况识别方法。选择肌电信号(EMG)作为路况识别信息源,提取肌电信号的盲辨识模型系数作为信号特征,为了能够充分反映路况特征,比较了不同特征值,分析了选取盲辨识模型系数作为路况识别特征值的合理性。为了克服极限学习机(ELM)分类器随机产生的输入权值只有少部分是比较优越的缺点,利用烟花极限学习机(FA-ELM)对平地行走、上楼、下楼、上坡、下坡、跑步6种路况进行分类。与ELM算法、BP神经网络进行了对比,结果表明,采用盲辨识模型和烟花算法进化极限学习机将6种路况下平均识别率提高到93.18%,优于ELM和BP神经网络等方法。     

基于车辆振动响应反向分析的路面等级辨识方法

提出一种利用希尔伯特黄变换和概率神经网络进行车辆振动响应反向分析的路面等级辨识方法,为主动悬架控制提供有效信息。建立车辆模型和随机输入路面模型,利用希尔伯特黄变换对不同等级路面下的车辆振动响应仿真数据进行分解变换,得到车辆振动响应的瞬时能量;提取瞬时能量的敏感特征参数,利用概率神经网络训练路面分类器,确定路面等级与特征参数范围的映射关系,完成路面等级分类器的设计;利用加速度传感器采集车辆在典型路面下的振动响应数据,提取试验数据的特征参数,并将其输入到训练完成的路面分类器中,实现试验路面等级辨识。辨识结果表明,基于车辆振动响应的反向分析法,结合希尔伯特黄变换和概率神经网络,可以实现对车辆当前行驶路面等级的辨识。     

基于声信号和一维卷积神经网络的电机故障诊断研究

针对电机故障诊断问题,设计一种新型的一维卷积神经网络结构(1D-CNN),提出一种基于声信号和1D-CNN的电机故障诊断方法.为了验证1D-CNN算法在电机故障识别领域的有效性,以一组空调故障电机作为实验对象,搭建电机故障诊断平台,对4种状态的空调电机进行声信号采集实验,制作电机故障声信号数据集,并运用1D-CNN算法...     

基于多元经验模态分解与卷积神经网络的气液两相流流型识别

提出了一种基于多元经验模态分解(MEMD)与卷积神经网络(CNN)的垂直管道气液两相流流型识别方法。该方法基于数字化电阻层析成像(ERT)系统采集的测量数据,预处理后进行MEMD分析,通过求取各分量与原始信号的皮尔逊相关系数选取本征模函数(IMFs)并求解Hilbert边际谱,提取Hilbert边际谱的标准差与均值作为卷积神经网络(CNN)输入以识别流型。结果表明,该方法能够有效识别泡状流、弹状流、段塞流,平均识别准确率可达96.43%。     

基于卷积神经网络与门控循环单元的气液两相流流型识别方法

提出了一种基于卷积神经网络(CNN)与门控循环单元(GRU)的垂直管道气液两相流流型识别方法。该方法基于电阻层析成像(ERT)系统的重建图像,对其填充处理后进行离散余弦变换(DCT),求取最大、最小 DCT 系数的差值,选取一定帧数长度数据作为网络输入,对流型进行识别。分析了输入序列长度对CNN-GRU、CNN 及 GRU 网络分类准确的影响,确定了最佳输入向量维度分别为 60、65 及 50,使用实验数据对3种网络进行训练、测试,结果表明,CNN-GRU网络分类准确率最高,平均流型识别准确率可达 99.40%。     

Ground Nephogram Recognition Algorithm Based on Selective Neural Network Ensemble

In view of the low accuracy of traditional ground nephogram recognition model, the authors put forward a k-means algorithm-acquired neural network ensemble method, which takes BP neural network ensemble model as the basis, uses k-means algorithm to choose the individual neural networks with partial diversities for integration, and builds the cloud form classification model. Through simulation experiments on ground nephogram samples, the results show that the algorithm proposed in the article can effectively improve the Classification accuracy of ground nephogram recognition in comparison with applying single BP neural network and traditional BP AdaBoost ensemble algorithm on classification of ground nephogram.     

基于层析成像的气液两相流相关流量测量方法

对电阻层析成像技术和图像的小波纹理特征进行了研究,提出一种基于层析成像的气液两相流相关流量测量方法,实现了液相流量的准确测量。利用电阻层析成像技术和相关算法对不同泡型下的相含率、渡越时间进行检测,得到气相流量;利用小波分析提取出层析成像的流型纹理特征;从而基于BP神经网络建立不同泡型下的气液两相流的相关流量测量模型。实验结果表明,液体流量的测量精度可以达到3%以内。     

基于OHF Elman-AdaBoost算法的滚动轴承故障多时期诊断方法

针对随机噪声下滚动轴承多时期(初期、中期、晚期)故障诊断需求,提出OHF Elman-AdaBoost(output hidden feedback Elman-adaptive boosting)算法,以实现滚动轴承的精确故障诊断。采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)对原始信号进行分解、降噪、信号重构。设计OHF Elman方法在Elman神经网络的基础上增加输出层对隐含层的反馈,提高了其对动态数据的记忆功能。选择OHF Elman神经网络作为弱回归器,结合AdaBoost算法集成出一种新的强回归器:OHF Elman-AdaBoost算法。实验结果表明,该算法不仅对滚动轴承不同故障时期具有很好的诊断效果,而且提高了对全样本数据的诊断准确度,为滚动轴承故障诊断提供了新型工具和有效方案。     

基于阵列超声传感器的气液界面检测

利用超声波声束对两相流参数检测的优点,使用阵列超声传感器探究了气液界面下的超声波声束和液面的关系。实现了超声波声束对整个气液界面的参数检测,测量了静态气液界面高度,实现动态超声波声束对分层流气液界面的重构。并在河北大学多相流循环装置进行实验验证,实验结果表明,阵列超声波声束可以实现对气液界面高度检测,可分辨最小2mm气液界面高度;重构图像的截面含气率和高速相机拍摄得到的截面含气率误差不超过4%。     

基于改进双流卷积递归神经网络的RGB-D物体识别方法

为了提高基于图像的物体识别准确率,提出一种改进双流卷积递归神经网络的RGB-D物体识别算法(Re-CRNN).将RGB图像与深度光学信息结合,基于残差学习对双流卷积神经网络(CNN)进行改进:增加顶层特征融合单元,在RGB图像和深度图像中学习联合特征,将提取的RGB和深度图像的高层次特征进行跨通道信息融合,继而使用So...     

GDX1包装机IPC控制系统的研发

目的 为加强银行智能办理业务的设备性能,提高票据数字的识别效率,研究一种改进的算法来获得更高的数字识别效果。方法 根据银行票据的印刷数字特性进行字符的提取和分割,经过图像采集、降噪、二值化之后使用起点直方图法结合步长法进行字符的分割,然后使用改进的LENET卷积神经网络用于提取数字特征,进行分类。结果 通过实验,结果表明文中提出的方法进行复杂环境下的印刷数字识别,准确率达到95%以上,识别速率为1.169 s/张。结论 利用新的字符分割算法与改进的LENET神经网络相结合,可以很好地识别干扰强的印刷票据,准确率高。