基于磁记忆的应力集中神经网络识别

为了探索磁记忆检测技术定量表征工件应力集中程度的方法,加工制备了不同应力集中系数的42CrMo钢试样进行拉压疲劳试验,采用磁记忆检测仪器测量不同疲劳周次时试样表面的法向和切向磁记忆信号。确定了不同应力集中程度下磁记忆信号的特征参量,并以此作为输入特征向量建立了BP神经网络,对试样的应力集中程度进行定量识别。结果表明:利用建立的BP神经网络能够实现试样应力集中程度的定量识别。     

焊缝两种典型缺陷的磁记忆特征对比

为了将金属磁记忆检测技术应用于焊缝不同典型缺陷的定性和定量评价上,对Q235钢未焊透和固体夹渣两种缺陷进行实验研究,通过比较0、150和230 kN不同载荷级别下的磁记忆信号检测结果,提取了焊缝未焊透和夹渣两种缺陷的不同磁记忆信号特征,结果表明,未焊透的磁记忆特征信号波宽D的变化更为突出,而固体夹渣的磁记忆特征信号梯度...     

焊接裂纹的金属磁记忆定量化评价研究

针对金属磁记忆检测技术目前尚不能对焊接裂纹进行定量的评价的问题,通过对预制焊接裂纹一阶微分后的金属磁记忆信号进行分析,找出了焊接裂纹存在定位特征,并且建立了微分后的磁记忆信号与焊接裂纹的长度及埋深的定量关系.现场检测表明,利用一次微分后的磁记忆信号的特征,可以比较准确地对焊接裂纹进行定量化评价.     

焊接残余应力磁记忆信号特征的研究

针对焊接残余应力与金属磁记忆信号存在一定联系的现象,设计了Q345R焊接试件.以X射线法检测应力值为参考,研究焊接试件横向和纵向残余应力与试件焊接残余磁信号的对应关系.结果表明,焊接试件残余压应力和试件纵向残余拉应力与试件的磁信号梯度值,在数值和变化趋势上均无明显相关性;磁信号梯度值能用于较大横向拉应力的定位,且梯度最大值点与横向残余应力的最大值点存在一定的对应关系.     

金属磁记忆技术表征应力集中、残余应力及缺陷的探讨

对应力集中、残余应力及缺陷三者之间的关系进行讨论,举例分析磁记忆信号对不同应力集中程度、疲劳裂纹及残余应力的反映.结果表明:金属磁记忆技术适宜表征铁磁材料存在磁导率急剧变化的位置;磁记忆信号能否表征残余应力还需要进一步的深入研究.     

基于GA-BP神经网络的工业CT缺陷检测

为了提高工业CT缺陷检测精度,本文提出一种基于GA-BP神经网络的CT缺陷检测方法。采用遗传算法,对BP神经网络的权值和阈值进行优化,建立基于GA-BP神经网络的工业CT缺陷检测模型;采用工业CT图片组成实验数据进行仿真分析,并与卷积神经网络和支持向量机的监测效果进行对比。结果表明：该方法可使GA-BP神经网络模型误检测次数更少,精度高达96.67%,且效果更好,具有较好的可行性和实用性。     

基于改进模糊支持向量机的磁记忆检测缺陷识别

针对磁记忆检测信号弱、缺陷区域无法有效识别的问题,提出了一种改进的模糊支持向量机(FSVM),并将其应用于磁记忆检测缺陷的识别。改进的FSVM一方面在传统确定模糊隶属度函数方法的基础上,通过构造k近邻离散度,减弱孤立点或噪声样本对分类的影响;另一方面通过对样本特征值进行加权处理,消弱冗余特征或弱特征对识别的影响。将改进FSVM应用于磁记忆检测缺陷识别。实验结果表明：该方法可以有效识别不同危险区域的缺陷信号,具有较好的鲁棒性和分类能力,是一种有效的磁记忆检测缺陷识别方法。     

贝叶斯算法BP神经网络缺陷量化研究

为克服传统BP神经网络中网络训练速度慢、量化精度低、数据过度拟合、容易陷入局部极小点等缺点,该文将贝叶斯算法引入BP神经网络用于基于漏磁检测的缺陷量化,有效地控制网络模型的复杂度,利用不同尺寸的缺陷特征量训练网络,从而实现对缺陷长度、宽度、深度的量化,节约网络的训练时间,提高量化精度。     

基于WPT-ANN的磁瓦内部缺陷音频检测

针对工业生产中提高磁瓦内部缺陷检测效率、降低误检率和漏检率的实际需求,提出一种小波包变换(wavelet packet transform,WPT)结合人工神经网络(artificial neural network,ANN)的磁瓦内部缺陷检测方法。通过采集合格和缺陷磁瓦撞击金属块产生的声音信号,用小波包分解与重构,筛选并提取特定频段信号的能量作为特征信息,输入BP神经网络并训练,使BP网络具有磁瓦内部缺陷检测的功能,试验证明该方法准确率达到98%以上。结果表明:小波包-神经网络方法(WPT-ANN)检测速度快、可靠性高、适应性强,为高效、准确地进行磁瓦内部缺陷检测提供有效的技术手段。     

基于金属磁记忆的热采湿蒸汽发生器炉管缺陷早期检测

对湿蒸汽发生器20G炉管进行了拉伸静载荷实验、疲劳实验及磁记忆信号采集,通过对采集到的磁记忆信号进行分析,得到了20G炉管在不同加载阶段和不同疲劳周期的磁记忆信号变化规律以及金属磁记忆技术定量评估早期缺陷的方法,并应用于油田现场炉管检测.结果表明:金属磁记忆法可以准确表征被测工件的应力集中区;当20G炉管磁场梯度值K大...     

基于BP网络和遗传算法的枪架结构优化

为提高机枪的射击精度,需要对机枪枪架的结构参数进行优化设计。基于CAE软件的结构优化有其自身的局限性,所以提出了一种新的优化方法,即联合应用BP网络和遗传算法。本文以此为基础,根据机枪有限元模型,对枪架结构参数进行了优化设计,结果表明：BP网络和遗传算法相结合的方式可适用于多设计变量的枪架参数优化设计,为其它复杂结构的参数优化提供了新的思路。     

基于遗传BP神经网络反演楔体参数的研究

为了获得未知楔体的参数,建立了遗传算法和反向传播(Back Propagation,BP)神经网络结合的反演模型。仿真得到不同角度、密度、杨氏模量下楔体导波的频散曲线。采用反对称第一阶模态相速度数据作为遗传BP神经网络反演模型的输入变量;利用遗传算法改进BP神经网络获得优化的初始权值和阈值,并对BP神经网络进行训练;最后将实测的楔体一阶模态相速度代入训练好的网络进行参数反演。结果表明,通过该反演模型可同时反演出楔体的角度、密度、杨氏模量,并且较单一BP神经网络具有收敛速度快、精度高的优点。     

基于BP神经网络的枪弹外观缺陷识别与分类

为实现枪弹外观缺陷自动检测,提出一种基于BP神经网络的枪弹外观缺陷自动识别与分类方法.首先针对枪弹外观缺陷图像特点,从形状、颜色、纹理提取类别差异明显的缺陷特征向量,作为神经网络的输入,以提高分类效果;然后通过经验和实验验证确定神经网络结构及参数,并分析传统BP算法在枪弹外观缺陷分类应用中的不足,通过优化BP算法以提高网络分类性能.实验表明:优化BP算法能够有效分类枪弹外观缺陷测试样本,识别率达到92.1％,与传统BP算法相比,提高了收敛速度,并表现出较好的准确性和鲁棒性,能够更好满足枪弹外观缺陷自动检测要求.     

基于遗传算法的神经网络被动声呐目标分类研究

被动声呐目标识别系统中目标分类器的设计和训练是一项重要内容，本文设计了目标分类器的神经网络结构，提出了一种用改进的遗传算法训练神经网络分类器的新方法，最后，对海上实录的Ａ，Ｂ，Ｃ三类目标噪声进行了分类识别，实验结果表明基于遗传算法的神经网络分类器比传统的基于ＢＰ算法的神经网络分类源泛化性能有明显提高。     

基于引力搜索神经网络的风电机组传动链故障识别

针对风电机组传动链故障识别由风电场制定合理维修策略可减少停机时间、降低维修费用问题,将引力搜索算法用于BP神经网络初始权值及阈值优化,提出基于引力搜索神经网络的风电机组传动链故障识别方法。算例结果表明,所提方法精度较BP神经网络高,能准确识别齿轮磨损、齿轮断齿、轴承松动等风电机组传动链典型故障,验证该方法的有效性。     

基于BP神经网络的线Mura缺陷识别与定位研究

各类显示屏中Mura缺陷的自动识别和定位对提高显示屏幕的产品品质具有重要作用,是当前迫切需要发展的重要技术之一。针对当前手机屏幕Mura缺陷对比度低、缺乏明显边缘等特点,文中提出一种基于图像灰度曲线的Mura缺陷检测方法及其改进方法。改进方法基于均值滤波平滑和降采样原理,通过研究采样线上灰度曲线的波峰与波谷信息,利用BP神经网络构建线Mura缺陷的自动检测和定位算法。结合真实手机屏幕图像验证结果表明,与现有多种Mura缺陷检测方法相比,本文的改进方法能更准确快速地识别手机屏幕中的线Mura缺陷,识别准确率达到98.33%,检测过程无需调节参数,实现了线Mura缺陷的自动检测和定位。     

基于GA改进BP神经网络预测热变形流变应力模型的建立EI北大核心CSCD

应力-应变曲线对研究金属热变形过程中的加工硬化、动态再结晶和动态回复的变化具有重要的意义,而预测不同热变形参数下的应力-应变曲线有助于研究热加工过程中金属的可加工性和不稳定性。在应变速率为0.01~3 s^(-1)以及变形温度为1000~1200℃条件下,利用Gleeble-3500热模拟试验机对Nb-V-Ti微合金钢进行热压缩实验,研究了Nb-V-Ti微合金钢的热变形行为。建立BP神经网络模型和基于GA改进BP神经网络模型,分别预测在应变速率0.5 s^(-1)、变形温度1050℃和应变速率1 s^(-1)、变形温度1100℃条件下的流动应力行为并验证模型效果。研究结果表明:经GA改进后的BP神经网络模型对测试数据的应力-应变曲线与实验曲线具有很好的吻合,相关系数分别达0.99202和0.99734,误差仅为2.7816%和2.1703%,预测结果与实验结果相对误差在[-2,2]范围内,证明了模型的预测可靠性,且适用于较广的应变范围,为工业生产轧制工艺提供理论指导。     

基于BP神经网络的吸运风机故障诊断

吸运风机是农业现代化生产机械联合收割机的重要组成设备.针对目前吸运风机经常出现的故障,收集了吸运风机故障征兆和其对应的故障类型.将故障样本数据和模糊神经网络相结合,并根据BP神经网络确定网络的输入和输出向量,对风机进行故障诊断,诊断结果与实际情况比较吻合.运用MATLAB实现神经网络故障诊断仿真,仿真结果表明诊断误差较小,输出向量与实际故障矩阵结果接近.