磨损磨粒的BP神经网络识别

介绍了铁谱分析技术对设备状态监测与故障诊断的方法;通过机械润滑油或液压油中微观磨损颗粒的分析来判断机器当前的工作状态。铁谱的计算机图像分析技术是近年来研究的热点。基于BP神经网络对磨损磨粒进行识别,提出了磨粒的分步识别策略,并以磨粒样本都对网络进行训练,取得了较好的识别效果。     

磨损磨粒的BP神经网络识别

介绍了铁谱分析技术对设备状态监测与故障诊断的方法;通过机械润滑油或液压油中微观磨损颗粒的分析来判断机器当前的工作状态.铁谱的计算机图像分析技术是近年来研究的热点.基于BP神经网络对磨损磨粒进行识别,提出了磨粒的分步识别策略,并以磨粒样本对网络进行训练,取得了较好的识别效果.     

神经网络在磨损颗粒自动识别中的应用

引入了一套磨粒形态学描述体系，用来提取磨损颗粒的显微形态特征，然后以此为输入参数，提出了一套BP神经网络，对磨损颗粒进行自动识别分类。以很少的磨粒特征量，可以正确识别磨损类别，提高了磨损识别的效率。     

基于BP神经网络的铁谱磨粒图像识别方法研究

在磨粒识别过程中,铁谱磨粒图像预处理和特征参数提取是关键。应用图像形态学的处理方法对磨粒图像进行预处理,结果表明,利用开运算、闭运算的图像形态学处理方法对铁谱磨粒图像进行预处理,可以消除图像二值化后留下的孤立小碎点、孔洞以及边界断点。通过磨粒图像的统计特征参数和傅里叶特征参数建立BP神经网络,并对磨粒进行识别,结果表明:采用该方法能正确识别磨粒图像,辨别磨损机制。     

基于神经网络的磨粒识别专家系统的设计

智能型磨粒识别是铁谱技术发展的主要趋势,人工神经网络技术的出现,为这种智能化提供了一条崭新的途径。介绍了神经网络专家系统的基本原理,叙述了BP学习算法,以及基于该算法的磨粒识别神经网络专家系统的设计。     

改进的BP算法在磨粒识别中的应用

本文提出用改进的神经网络算法,建立适于磨粒分析的AWPRM模型,设计了智能磨粒识别分类器,实例表明,用该方法可以准确识别磨粒类型,并具有较好的推广能力。     

基于BP神经网络的磨粒特征识别系统设计

提高铁谱磨粒识别能力是加强铁谱分析技术的重要手段,神经网络技术的不断普及为铁谱磨粒识别能力的提高带来了新的思路。对神经网络系统的基本原理和BP学习算法进行了叙述,并探讨了基于BP算法的磨粒特征识别系统的设计。     

基于模糊神经网络的磨粒识别专家系统

智能型磨粒识别是铁谱分析技术中的重要内容,模糊神经网络技术为解决以上问题提供了一条新的途径。本文介绍模糊神经网络专家系统的基本原理,叙述BP学习算法及过程,最后介绍基于本算法的磨粒识别模糊神经网络专家系统。     

基于IGA和LS-SVM的航空发动机磨粒识别

针对磨粒识别中的LS-SVM分类器性能参数难以选择的问题,提出一种改进的遗传算法(IGA)对其进行优化选择。该算法将轮盘赌选择法与最优保留法相结合,采用一种随世代数增加而不断自动调整的交叉概率和变异概率,既提高了收敛速度,又易得到全局最优解。基于IGA的LS-SVM分类器磨粒识别方法为,利用主成分分析法(PCA)优选磨粒特征参数,并将结果作为样本训练LS-SVM分类器;通过改进遗传算法优化分类器参数,并通过测试样本测试分类器性能。仿真实验结果表明,此分类器的分类精度高,分类速度快。     

基于模糊神经网络的磨粒识别专家系统(续)

二、磨粒的分类及识别特征 铁谱分析技术将油液中的固体颗粒分为正常磨损、疲劳磨损、球状、层状、严重滑动、切削、腐蚀磨损、红色氧化物、暗金属氧化物、有色金属、非金属和晶体、污染物等12类。 领域专家根据磨粒的形态（总体形状、边缘细节和表面纹理）、颜色、粒度和厚度信息来识别铁谱磨粒,它们大都是模糊信息,一般用语义形式描述,因此需要采用模糊神经网络识别,识别结果为磨粒类型,系非模糊集合。磨粒特征见表1。     

基于PCA—改进BP算法的软测量技术

文中针对基本BP网络建立软测量模型时所存在的一些问题,例如：输入变量之间可能存在的线性相关等冗余性、基本BP算法收敛速度较慢而且易于限于局部最优等,本文尝试将主元分析与变尺度改进BP算法相结合,以提高软测量模型的训练速度和外推能力,为软测量技术的在线应用提供更大的方便。实验结果表明PCA方法与变尺度的改进BP神经元网络相结合的软测量建模方法在训练速度和外推能力方面有较大的改善。     

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D-S证据理论和集成神经网络的磨粒识别

针对磨粒的识别问题,利用数字磨粒图像分析方法,结合D-S证据理论和BP神经网络,建立了基于D-S证据理论的集成神经网络磨粒融合诊断方法。首先对磨粒图像进行处理,并利用统计分析方法和傅立叶分析方法对处理好的磨粒图片进行分析得到磨粒特征;然后基于统计分析方法和傅立叶分析方法建立对应的两个BP分类子神经网络,利用典型的磨粒样本对BP子神经网络进行训练,得到初步的诊断结果;最后用D-S法对子神经网络诊断结果进行融合,得到最终的诊断结果。算例分析结果表明,基于D-S证据法和集成神经网络的磨粒融合诊断方法比单个诊断方法具有更高的准确性。     

基于BP神经网络的钢轨磨损量预测

随着列车运行速度和轴重的提高,轮轨系统的磨损越来越严重,其中曲线半径、轴重和运行速度是影响轮轨磨损的重要因素。建立了钢轨磨损量影响规律的径向BP基函数神经网络模型,该网络具有3路输入,3个神经层;在JD-1大型轮轨模拟试验机上通过改变试验参数进行钢轨磨损试验,获得不同试验参数下的钢轨磨损量;以钢轨磨损数据作为BP神经网络的目标样本,对不同试验参数下的磨损量进行了预测。结果表明,模型可较准确地计算轮轨冲角和速度对钢轨磨损量的影响规律,利用BP神经网络对钢轨磨损量预测具有较高的精度,可在一定程度上验证试验结果。     

基于遗传算法的人工神经网络在航空发动机磨损预测中的应用

提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络,实现网络结构的优化,并用优化后的BP人工神经网络建立了航空发动机的磨损预测模型。将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的BP神经网络优于BP算法及多元线性回归法,具有良好的预测效果。     

基于组合遗传神经网络的磨损趋势预测

针对神经网络易陷入局部极值的问题，用遗传算法来改进神经网络时间序列预测模型，并设计了一个组合网络，考虑了单一遗传BP神经网络预测的误差，以误差样本训练了一个校正的遗传BP神经网络，并将该组合网络时间序列预测模型应用于柴油机系统磨损趋势的预测，取得了较好的预测效果。     

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BP神经网络的等离子喷涂涂层摩擦磨损性能分析

采用超音速等离子喷涂技术、激光表面微造型技术制备不同表面微造型的KF301/WS2复合润滑耐磨涂层,研究涂层在不同温度、表面造型和润滑剂含量下的摩擦磨损性能。利用BP神经网络技术建立涂层摩擦因数和磨损量与温度、表面微造型、润滑剂含量的非线性关系模型,得到的结果和试验结果吻合得较好。分析结果表明:当温度在300～600℃时,磨损量和摩擦因数随着温度的升高而增大,但增长较缓慢,而当温度在600～750℃时,摩擦量和摩擦因数随着温度升高增长较快;在同一温度和同一WS2含量的情况下,不同微造型面的摩擦磨损性能从高到低依次是凹坑、菱形、平行、断纹;温度相同和表面微造型相同时,WS2质量分数为30%时的磨损性能要比WS2质量分数为20%时稍好一些。