共查询到19条相似文献,搜索用时 203 毫秒
1.
利用光纤光栅传感器和边缘滤波原理构建传感系统,结合小波分解与重构和支持向量机算法,对铝合金板声发射定位进行了研究。根据划分区域进行声发射实验,探索声发射源所在区域与信号特征之间的关系。在对声发射信号进行小波分解的基础上,使用近似系数和细节系数进行重构,并对重构后的各信号计算其振荡能量作为信号特征,进行声发射区域识别。以重构信号的振荡能量作为输入、声发射区域位置类别作为输出构建支持向量机多分类模型,实现了声发射区域定位识别。实验结果表明,在400mm×400mm×2mm的铝合金板上对36个测试样本进行了多次声发射区域定位识别,在180次模拟实验中实现了176次声发射区域准确定位,正确率达到97.78%,声发射区域识别精度为30mm×30mm。该研究结果为机械结构的声发射区域定位检测提供了有效方法。 相似文献
2.
基于光纤光栅(FBG)传感器网络构建了声发射检测系统,并提出了最小方差无失真响应(MVDR)的声发射源定位方法。构建的系统由7个FBG传感器组成传感器线阵列,采用未经平坦的放大自发辐射(ASE)光源边缘滤波实现信号解调。利用Shannon小波变换从频散复杂的声发射信号中提取窄带信号,并基于MVDR算法扫描整个监测区域获取空间谱。根据空间谱函数计算输出值,并将计算的输出值作为像素值。最后,通过提取空间谱中的最大值的坐标确定声发射源的位置。在LY12铝合金板上进行了实验验证。结果表明,该方法在400mm×400mm的区域内,声发射定位的最大误差为9.4mm,平均误差为7.2mm,耗时小于3s。该系统具有较高的实时性和定位精度,是一种声发射源定位的新方法。 相似文献
3.
4.
5.
提出了一种基于声发射信号的砂轮钝化在线检测方法,该方法利用BP神经网络建立磨削声发射(AE)信号幅值变化特征量与砂轮钝化状况之间的非线性关系模型,并利用实验数据对该模型进行训练测试,训练获得的模型可用于在线检测小批量、多品种磨削条件下砂轮的钝化状况.实验结果表明,该方法能够准确地在线检测砂轮的钝化程度,具有很高的实用价值. 相似文献
6.
7.
为了实现轴承故障智能诊断,对基于信息融合的机器人薄壁轴承故障智能诊断方法进行研究。首先,采用声发射和振动传感器,搭建了机器人薄壁轴承试验与多信息数据采集系统;然后,以薄壁单列角接触球轴承ZR71820为对象,在轴承外圈、内圈和滚动体上分别制作点蚀、裂纹缺陷,用正交试验法采集不同缺陷类型、不同当量载荷及不同转速状态下薄壁轴承在试验过程中的声发射和振动信号;最后,选取时域中均方根值和峭度指数及频域中均方根频率作为振动、声发射信号的特征参数,分别进行了基于单一振动、声发射信号的薄壁轴承故障诊断,并采用SOM与BP神经网络将试验过程中的振动和声发射信号的特征信息进行融合,研究了基于信息融合的机器人薄壁轴承故障智能诊断技术。结果表明:基于振动信号故障诊断的正确率为85.7%;基于声发射信号故障诊断的正确率为81.0%;基于BP神经网络信息融合故障诊断的正确率为93.5%;基于SOM神经网络信息融合故障诊断的正确率为95.2%。基于SOM神经网络信息融合的薄壁轴承故障智能诊断比单用振动或声发射信号的诊断正确率分别高出9.5%和14.2%,比用BP神经网络信息融合故障诊断的正确率高1.7%。 相似文献
8.
9.
表面粗糙度是衡量加工零件表面质量的主要指标,为提高球墨铸铁磨削表面粗糙度预测的精度,在球墨铸铁磨削表面粗糙度声发射预测实验基础上,使用深度学习卷积神经网络CNN自动提取磨削声发射信号特征值,使用卷积神经网络对球墨铸铁磨削的表面粗糙度声发射智能预测,准确度较BP神经网络高。 相似文献
10.
BP神经网络补偿并联机器人定位误差 总被引:1,自引:1,他引:0
为减小机构末端定位误差,提高机器人运动精度,分析了所开发的6-DOF精密并联机器人末端位姿的误差来源及以往误差补偿方法的局限性。通过实际测量末端位姿,在精密定位的局部工作空间内,提出了基于BP神经网络的机器人关节空间误差补偿方法。确定了BP神经网络模型,建立了误差补偿的数据样本,并对数据样本进行了标准化,通过实验对比的方法确定了隐层神经元的个数,同时对网络的推广能力进行了验证。经过误差补偿,6-DOF精密并联机器人的平移定位误差下降了80%,转角定位误差下降了60%。该实验结果表明,基于BP神经网络的误差补偿方法对机器人局部工作空间的补偿具有明显的效果,满足精密并联机器人工作的精度要求。 相似文献
11.
基于声发射信号的铝合金点焊裂纹神经网络监测 总被引:2,自引:0,他引:2
铝合金热加工过程的冶金行为比较复杂,在电阻点焊快速加热和冷却条件下,极易产生裂纹缺陷。基于虚拟仪器技术,以Lab VIEW为软件平台,结合Matlab数值分析软件,构建了电阻点焊过程声发射信号采集分析及铝合金点焊裂纹监测系统。以2A12铝合金电阻点焊熔核冷却结晶过程,即点焊焊接循环维持阶段的声发射信号为研究对象,提取与声发射信号强度相关的振铃计数、能量、有效电压及5层小波分解125~250 k Hz频带能量系数4个特征参数作为输入矢量,裂纹作为输出矢量,建立3层BP神经网络铝合金点焊裂纹的监测模型,并利用测试样本对该模型进行验证。结果表明,裂纹监测的正确率达到89.1%,为监测铝合金电阻点焊裂纹提供了一种有效的方法。 相似文献
12.
13.
压铸成型工艺设计与缺陷分析的神经网络模拟 总被引:2,自引:0,他引:2
对于误差逆传播 (BP)神经网络标准及改进型算法中的神经元联接权更新机制进行了分析。作为实际应用 ,基于MATLAB神经网络工具箱函数 ,研究了两个例子 ,一个是不同合金种类及不同复杂程度的型腔结构下浇注温度的选择 ;另一个是压铸工艺的缺陷分析。采用的算法分别为恒定学习率 附加动量项改进型BP算法和自适应学习率 附加动量项改进型BP算法。通过在实际模拟中比较这两种算法的训练效率 ,可得到结论 :自适应学习率 附加动量项算法是精确模拟压铸工艺映射问题的较为理想的方法。基于这一方法 ,文中最后给出了网络模拟测试的结果 相似文献
14.
电能表是国家强制检定的电能计量工具,其计量的精确性影响着千家万户的利益。传统的人工检测方式不仅效率低而且检测结果不稳定。随着声学检测技术的日趋成熟,采用声学检测的方式来检测电能表内的异物已成为实现工厂自动化的大势所趋。针对现有半自动的人工检测电能表异物方式,提出一种基于特征降维和神经网络的电能表内的异物声音自动识别方法。该方法充分利用声音的时、频域特征系数和倒谱系数,先对声音信号进行通道转换、预处理和数字降噪,再对声音信号进行时、频域和倒谱分析,并同时提取其短时特征系数及改进后MFCC系数。将声音特征通过PCA降维后输入基于Adaboost算法聚类后BP神经网络分类识别,并与传统的BP神经网络分类进行比较,证明了该方法的有效性。这里给出了电能表异物自动识别技术实现的具体步骤,并通过MATLAB仿真实验证明了该方法的有效性,BP神经网络的平均识别率较高,可达到95%以上,并且计算复杂度小易于实现。 相似文献
15.
基于BP神经网络的表面粗糙度声发射预测 总被引:1,自引:0,他引:1
介绍了BP神经网络的原理、算法和公式,在对Matlab及其神经网络工具箱介绍的基础上,采用声发射信号有效值、FFT峰值和标准差作为输入,工件表而粗糙度作为输出,用BP神经网络的方法对高效深磨加工工程陶瓷Al2O3的工件表面粗糙度进行了训练、预测和分析.创新的研究方法是直接从磨削声发射信号中提取磨削表面粗糙度信息.结果表明,该方法可以实现高效深磨加工工程陶瓷工件表面粗糙度的监测. 相似文献
16.
17.
18.
针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。 相似文献
19.
This paper has concluded six features that belong to passenger vehicle types based on genetic algorithm(GA)of feature selection.We have obtained an optimal feature subset,including length,ratio of width and length,and ratio of height and length.And then we apply this optimal feature subset as well as another feature set,containing length,width and height,to the network input.Back-propagation(BP)neural network and support vector machine(SVM)are applied to classify the passenger vehicle type.There are four passenger vehicle types.This paper selects 400 samples of passenger vehicles,among which 320 samples are used as training set(each class has 80 samples)and the other 80 samples as testing set,taking the feature of the samples as network input and taking four passenger vehicle types as output.For the test,we have applied BP neural network to choose the optimal feature subset as network input,and the results show that the total classification accuracy rate can reach 96%,and the classification accuracy rate of first type can reach 100%.In this condition,we obtain a conclusion that this algorithm is better than the traditional ones[9]. 相似文献