基于小波神经网络的液压泵故障类型识别

根据液压泵发生故障所表现出来的特征,采用小波包能量值提取的办法作为故障类型识别的特征量,采用BP神经网络对输入的特征量进行识别。实验结果表明:采用小波神经网络对液压泵故障类型的识别可以取得满意的效果。     

基于神经网络的铝合金裂纹缺陷识别

将人工神经网络方法应用于铝合金工件裂纹缺陷识别,以克服传统人工识别的局限性,从而提高裂纹缺陷识别的准确率。通过设计并搭建水浸超声检测系统,获得超声检测缺陷的波形数据,并对收集到的缺陷波形数据进行特征提取,从中筛选出有用的特征信息,经过小波去噪处理后作为特征信号输入概率神经网络,并进行网络训练,实现对不同裂纹尺寸的智能识别。实验结果表明:该方法可提高对裂纹缺陷尺寸识别的准确率和检测效率,具有较好的应用前景。     

基于BP神经网络的表面缺陷检测分类

精密轴承应用广泛,精度要求高,轴承表面缺陷对其使用影响很大。因此,对轴承缺陷的检测很有必要。目前的检测以人工为主,但当缺陷小于0.075 mm时人眼就很难识别。以CCD摄像机为视觉结合图像处理技术,设计一种轴承在线检测方法,能够在很大程度上提高检测效率和检测精度,最后利用BP神经网络进行缺陷分类,实验结果表明:分类正确率可达92.7%,符合工业要求。     

基于粗糙集和BP神经网络的刀具状态监测

在刀具磨损状态监测中,能够提取到的反映不同刀具磨损状态的特征量较大,基于神经网络的状态识别无法去掉冗余特征,会存在训练时间长和准确率降低等问题。针对这些问题,提出基于粗糙集-BP神经网络的刀具磨损状态监测方法,利用粗糙集对特征进行属性约简,去掉冗余信息,从而优化特征,并且减少神经网络的输入端数据,可以缩短神经网络的训练时间和提高识别的准确率。通过对实测刀具数据进行分析,证明了该方法的有效性。     

基于BP神经网络的注射器针头缺陷检测方法

为了实现倒装和弯钩次品针头的自动检测,提出了一种基于BP神经网络的注射器针头合格性检测方法。该方法首先对针头图像进行去噪、目标分割和针头轮廓提取等预处理,其次采用边界区域不变矩法和针头边缘曲率法提取针头特征,然后用合格针头、弯钩针头和倒装针头样本的特征对设计好的BP神经网络进行训练,最后利用训练好的BP神经网络实现注射器针头的合格性检测。通过大量真实针头的合格性检测实验,验证了本研究所提出方法的有效性,可用于实际生产中。     

小波分析结合神经网络的桩基缺陷检测

引入一种小波分析结合神经网络的桩基检测方法,根据桩基中超声波传播的特点,利用小波分析对采集的超声波信号进行小波包分解,对分解后的信号进行归一化处理,将超声波信号矩阵化,构建表征桩基缺陷信息的特征向量;再取多组特征向量作为神经网络的训练样本,对特征向量进行训练学习,并将未诊断样本输入神经网络进行识别验证。试验数据表明,通过小波分析方法获取超声波信号特征向量并构建的神经网络可以有效识别出桩基缺陷以及缺陷类型。     

零件自动分类的BP神经网络实现

为了提高零件识别速度,事先对零件（模板）进行分类,识别时先判别零件属于哪一类然后再在相应类中进行识别。考虑到工件识别时拍摄的是工件实体的投影图,故提出以三维实体建模零件的生成原理进行分类,即将其分成旋转类、拉伸类、扫掠类、混成类,采用适合分类的BP神经网络实现,并根据零件图像特征选取了均值、三阶矩、一致性、熵、不变矩等特征作为训练样本,并作为神经网络的输入,最后以实例证明了这种方法是切实可行的,且其识别准确率高。     

基于小波分形和神经网络的滚动轴承故障诊断

提出了利用小波分形和神经网络的对滚动轴承故障进行诊断的方法.滚动轴承振动信号具有非平稳性的特征,因此,利用分析非平稳信号的有效工具--小波分析和分形分别提取滚动轴承振动信号故障特征,结合神经网络技术,对滚动轴承故障进行诊断.结果显示,该方法诊断率高,有比较高的实用价值.     

钢管超声波检测时缺陷波形的识别

双面埋弧焊钢管焊缝超声检测时经常出现回波超标问题,其中的伪缺陷严重干扰了检测人员对缺陷的判定。实例介绍了夹杂物、焊趾裂纹和成分偏析的回波特征,并提出了多种伪缺陷波形的判别方法。     

基于小波包分析的合成金刚石缺陷超声识别

应用超声波探伤仪系统对合成大颗粒金刚石缺陷进行检测,针对缺陷信号特点提出利用小波包分析提取缺陷特征值,应用小波神经网络进行模式识别的方法,实现了从检测到的超声信号中提取出反映缺陷性质的相关信息,并通过这些信息对其进行分析,建立了网络模型以实现缺陷定性识别。实验结果表明,小波包分析能够挖掘利用缺陷回波信号时域和频域的信息,通过多层次划分频带,使在多分辨分析过程中未进行划分的高频区间再次分解,还可依据小被分析信号特征自适应挑选相对应的频带,达到和信号频谱相互配合,进而达到使时-频分辨率显著提高的效果,可见小波神经网络的良好局部放大特性和多分辨率学习特性,可使合成金刚石缺陷的定性分类获得较高的准确率。     

小波神经网络的数据压缩技术在超声自动探伤系统中的应用

为了实现对大型回转体零件内部缺陷的检测与识别,研制了超声波自动检测系统.系统主要完成超声信号的采集和处理、数据的实时存储、缺陷的在线分析与识别等功能.要实现缺陷的在线检测与识别,必然需要大量的原始数据,为了减少数据的存储量,通过小波神经网络提取相应的权重因子,构成小波基的尺度参数和与之对应的平移参数,实现缺陷有用信息的压缩;在缺陷数据重构中,利用上述特性参数并结合信号的特征值,对信号进行拟合.解决了缺陷检测现场大量数据的保存问题,为缺陷的进一步识别提供了基础.     

基于多幅连续相关法的超声检测信号的缺陷识别技术

相关法是时域中描述信号相似性特征的一种常用分析方法。文章基于数字相关法,针对超声检测中的大量检测回波信号,提出了一种多幅连续相关的处理方法,以实现超声检测信号的缺陷追踪与识别,并在实际检测试验中采用该方法对A型扫查的大量超声自动化检测信号进行处理,不仅有效地排除了随机干扰,同时保留了缺陷信号的完整信息,缺陷识别稳定、快速,识别准确率可达90%以上。     

基于小波包变换的金属基复合材料深层界面脱粘缺陷特征提取

针对金属板下多层非金属粘接结构试件中的超声检测回波信号,提出了一种基于小波包变换的提取特征参数的方法,以评估试件的粘接特性.在利用超声信号进行层状粘接结构的无损评价时,各层的超声检测回波会严重混迭,难以分辨甚至会丢失某一层的缺陷信息.利用信号处理技术,以小波包变换后的能量来进行深层界面的特征提取.结果显示,提取出的特征可有效地进行各层粘接情况的分析和识别.试验检测结果表明特征提取方法可用在金属基多层材料结构的无损检测中.     

基于小波分析与神经网络的混凝土缺陷超声定量检测

为了准确确定混凝土缺陷的类型、范围及大小,利用小波分析方法,将采集的超声波信号进行小波包分解,分别提取各个频率成分的信号特征,并对小波包进行分解系数重构,求出各频带信号的能量与信号总能量的比值。基于此构造的特征向量作为神经网络输入向量,再由其对信号进行缺陷的识别判断。试验表明,该方法不但对识别缺陷位置和范围效果较好,而且对识别缺陷类型也有较高精度。     

基于改进BP神经网络的控制图模式识别系统

提出一种基于激励函数参数可调和动态阈值的改进BP神经网络控制图模式识别算法,并优化Monte Carlo工序数据模拟方法,使样本数据更具与实际生产数据相同的质量特性.根据改进后的网络参数迭代公式,将预处理后的样本数据作为输入对该神经网络识别器进行训练,训练结果用于生产过程的控制图模式识别.改进BP神经网络识别器的拓扑结构简单,在保证识别精度的前提下,提高识别速度,改善神经网络的泛化能力.最后,通过计算机模拟和生产现场应用验证该算法的可行性.     

L-M优化算法BP网络在刀具磨损量预测中的应用

在线刀具磨损量估算及其未来发展趋势预测对于指导现实生产有着十分重要的意义.提出基于L-M优化算法BP神经网络的刀具磨损量在线预测方法.对声发射信号进行小波包分解,得到32个不同频带内的信号,用于构造初始特征向量矩阵;对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱做为刀具磨损的特征向量,利用神经网络在线预测刀具磨损量.试验结果表明:预测结果能准确地跟踪实际的刀具磨损曲线,并且L-M优化算法比其他改进算法迭代次数少,收敛速度快,精确度高.     

小波变换对超声检测信号去噪效果的分析

从小波变换的奇异性分析入手，给出应用于超声检测信号去噪的小波模极大值算法，并选用Marr函数做小波基函数。该算法对超声合成信号和实测信号的去噪效果均很理想，而且对存有可疑信号点的材料进行的金相分析再一次验证了算法的正确性。