基于神经网络信息融合的发动机磨损磨粒识别

磨粒识别和分类是铁谱分析技术在发动机故障诊断和状态监测的关键环节.针对单一神经网络模型磨粒识别的局限性,提出了一种基于不同类型神经网络信息融合的磨粒智能识别方法.首先利用径向基函数(RBF)神经网络和反向传播(BP)神经网络对磨粒进行识别,得到2组初始识别结果, 归一化后作为2组基本概率分配函数,然后利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一神经网络模型相比,提出的信息融合方法提高了磨粒识别的区分度和准确率,并具有良好的通用性和容错性.     

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。     

粗糙集和证据理论在磨粒识别中的应用

为了便于对磨粒进行识别，首先利用粗糙集理论对磨粒参数信息进行约简，并形成待决策问题的经验决策表。然后，利用粗糙集理论和证据理论的关系，计算待决策信息的有关证据的基本概率指派和条件概率指派。最后，按照合成规则对上述条件概率指派进行合成，并根据决策规则对磨粒进行分类。     

基于卷积神经网络的铁谱磨粒智能识别研究

针对传统的计算机磨粒识别方法对相似度高的严重滑动磨粒和疲劳磨粒存在识别过程复杂、识别准确率低等问题,提出利用卷积神经网络(Convolution Neural Network,CNN)自动提取铁谱磨粒图像的特征,再将提取到的特征传入全局平均池化层和新的全连接层进行训练分类的铁谱磨粒智能识别方法。试验显示,基于卷积神经网络模型Inception-v3+1FCL和迁移学习方法可以有效地对严重滑动磨粒和疲劳磨粒进行分类识别,准确率高达89. 35%。     

基于形态谱的磨粒图像特征参数提取方法

为提高磨粒识别的精度,提出一种基于形态谱磨粒图像特征参数提取新方法,给出磨粒图像的归一化形态谱的计算方法,并将磨粒的形态谱作为其特征向量,采用径向基函数神经网络对磨粒进行自动识别。结果表明:利用磨粒的形态谱实现了对球形磨粒、切削磨粒、严重滑动磨粒、疲劳剥块4种典型磨粒的分类识别,磨粒的形态谱可以作为磨粒的有效特征参数。     

基于BP神经网络的铁谱磨粒分类器设计

磨粒类型识别与分类是铁谱技术的主要内容之一,本文基于神经网络原理,探讨了磨损磨粒分类识别的神经网络模型和实现方法。     

基于遗传算法改进的BP神经网络模型的磨损机理智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

基于遗传算法改进的BP神经网络模型的磨损机制智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

人工神经网络在铁谱技术磨粒识别中的应用

铁谱技术在机械设备状态监测中得到了广泛的应用，磨粒识别是铁谱分析的一个关键环节，本文提出了一种基于神经网络的磨粒识别方法，利用前馈型神经网络模型对七种典型磨损磨粒进行了实例分析识别，取得了令人满意的结果。     

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。     

发动机铁谱磨粒分析与磨粒识别研究

从发动机摩擦副及其摩擦磨损特点着手，提出了用于发动机磨损状态监测与诊断的主要10类磨粒，依据其识别特征提出了用于磨粒识别的14个磨粒形状、表面纹理与颜色特征；最后应用BP网络分层识别策略进行了磨粒识别。     

基于Mask R-CNN的铁谱磨粒智能分割与识别

针对铁谱图像因背景复杂、尺寸分布广、颗粒重叠等导致难以精确分割与识别的问题,以相似度高的疲劳剥块、严重滑动磨粒、层状磨粒共3种异常磨粒作为研究对象,提出基于深度神经网络模型Mask R-CNN的对多目标铁谱磨粒进行智能分割与识别的方法,并对特征提取层分别选用深度不同的残差网络ResNet50和ResNet101进行对比试验。实验结果表明,基于迁移学习方法的Mask R-CNN+ResNet101模型能够在复杂背景下对多目标、多类型、多尺寸的相似磨粒进行有效分割与识别,测试集的平均精度高达76.2%,模型具有较好的泛化能力。     

磨粒类型识别研究

提出了一种有效的磨粒类型识别方法,该方法除了选用传统的磨粒形态特征参数,将表面粗糙度和表面纹理指数也作为重要的磨粒识别参数,选用面积、长度、圆度、纤维比率、体态比、边界分形维数、表面粗糙度．Sa．Sq,和表面纹理指数（Stdi）等9个参数,采用人工神经网络来识别磨粒类型,应用示例表明效果良好,提高了磨粒类型识别的精确度。     

粗糙集-神经网络计算机网络故障诊断方法研究

本文用粗糙神经网络进行计算机网络故障分类判断。首先用粗糙集理论对计算机网络的状态属性进行了约简,将庞大的状态属性表约简为最小属性表,然后将最小属性表作为三层前向神经网络的训练样本,构造了基于三层前向神经网络的计算机网络故障的分类判断系统。实践表明,粗糙神经网络计算机网络故障分类判断系统提高了故障诊断速度,其准确率比单独采用粗糙集方法或人工神经网络的方法都高。     

Automatic wear‐particle classification using neural networks

Although the study of wear debris can yield much information on the wear processes operating in machinery, the method has not been widely applied in industry. The main reason is that the technique is currently time consuming and costly due to the lack of automatic wear particle analysis and identification techniques. In this paper, six common types of metallic wear particles have been investigated by studying three‐dimensional images obtained from laser scanning confocal microscopy. Using selected numerical parameters, which can characterise boundary morphology and surface topology of the wear particles, two neural network systems, i.e., a fuzzy Kohonen neural network and a multi‐layer perceptron with backpropagation learning rule, have been trained to classify the wear particles. The study has shown that neural networks have the potential for dealing with classification tasks and can perform wear‐particle classification satisfactorily. This revised version was published online in June 2006 with corrections to the Cover Date.     

磨损颗粒的模糊神经网络识别研究

在传统的模式识别技术中,模式分类的基本方法是利用判别函数来划分不同的类别,然而如何选择有效的判别函数以及在识别过程中如何对判别函数的参数进行修正,对于以往的模式识别技术是比较困难的。针对油液铁谱分析中磨损颗粒的识别问题,讨论了一般机械设备的磨损颗粒的特征,分析了神经网络技术和模糊数学相结合的模式,提出了基于模糊神经网络的铁谱图象分类和识别方法,分析结果表明,提出的方法对铁谱分析的智能化和快速化提供一种有效的途径。     

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。     

基于堆叠降噪自编码的刀具磨损状态识别

提出了一种基于堆叠降噪自编码（SDAE）的刀具磨损状态识别方法。构建了SDAE神经网络来学习声发射（AE）信号的特征,并对自编码网络进行有监督的微调,从而对刀具磨损状态进行精确识别。实验结果表明,SDAE方法能够自适应地学习,得到有效的特征表达,且刀具磨损状态识别结果精确度高,该方法能够有效地进行刀具磨损状态识别。