基于图像校正的炉膛火焰检测算法

针对基于图像处理的炉膛火焰检测系统中实际采集到的火焰图像与实际火焰产生变形的问题，提出了基于图像校正的炉膛火焰检测算法。实验结果表明采用该方法可以有效地提高燃烧诊断的准确性。     

炉膛火焰图像处理技术

锅炉中煤粉的燃烧过程是非常复杂的悬浮燃烧且极不稳定,监视系统的图像可能受到各种噪声的干扰,本文讨论了消除图像噪声的快速中值滤波算法,同时给出了专用于火焰图像的图像边缘检测算法,实现了对火焰图像的处理.     

基于小波包和概率神经网络的焊接缺陷识别

在焊接缺陷的超声检测中,对缺陷进行定性分析是超声无损检测与评价的关键内容,也是超声检测研究领域的热点和难点。针对焊接缺陷超声回波信号的特点,利用小波包变换提取反映缺陷性质的特征值,运用概率神经网络对缺陷进行识别,并与BP网络、RBF网络的识别结果进行比较。实际焊接缺陷的实验结果表明,概率神经网络的识别正确率高,训练和测试速度快,可靠性高。     

小波神经网络在轴心轨迹识别中的应用

采用一种小波神经网络对轴心轨迹进行识别,为系统的进一步诊断提供了辅助信息。针对小波神经网络训练中出现的问题,引入了遗传ＢＰ算法解决。对小波神经网络的识别结果和ＢＰ网络作了比较。     

基于小波神经网络的RC梁损伤识别试验研究

简要阐述了小波包分析及BP神经网络理论，利用小波包变换对获得的加速度信号进行分解和重构，求解各频带内的信号能量，将其作为神经网络输入参数，对神经网络进行训练，然后利用该网络进行损伤检测。按上述方法，通过有限元分析对RC梁进行损伤模拟，建立了结构损伤识别神经网络。按同样的构造制作了RC试件，并进行了损伤试验研究，对试验中在不同损伤情况下采集的加速度信号进行小波包分解和重构，将得到的能量向量输入已建网络判断结构的损伤。从试验结果可以看出诊断误差很小，能够满足实际工程要求。     

基于小波变换和神经网络的数字图像清晰度识别算法

数字图像的清晰度评价一直是各类数字成像系统的一个关键问题.在研究了常用的清晰度评价方法的基础上,通过研究找出了图像二维小波分解向量与图像质量的对应关系,分析了其细节信息,并采用统计的方法提取了图像特征二层小波分量的统计值作为分析特征,然后构建了3层BP神经网络模型对图像清晰度进行识别,得到图像质量等级.仿真实验结果表明,这种方法可以达到较好的图像识别率.     

基于差分进化小波神经网络的刀具磨损状态识别

提出应用小波神经网络进行刀具磨损状态识别的方法,给出了具体的识别流程。构建了小波神经网络,并实现了差分进化对网络参数的优化。通过检测加工现场的切削力和切削声音信号,将其进行信号处理后作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中,最终实现刀具磨损状态的识别。仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行刀具磨损状态识别,具有较高的诊断精度和效率。     

基于小波神经网络的轧机接轴扭振状态识别研究

构造了一种新的适合于轧机扭振状态辨识的混合递阶遗传算法优化小波神经网络模型,实际轧钢现场测试数据输入构造的混合递阶遗传小波神经网络扭振状态识别模型,对网络模型进行训练,从而实现现代高速轧制条件下轧机主传动系统不同工况条件下的扭振状态的学习和自适应判断,结果验证了该辨识模型的可靠性.     

基于小波和自组织网络的电缆故障识别

为实现电力电缆早期故障在线识别的目的,提出了一种基于小波能量函数和自组织网络的识别方法。首先,提取在线电缆早期故障状态与正常状态的零序电流差的小波能量函数作为输入特征,用自组织神经网络实现故障识别。用欧式距离比较了自组织特征映射神经网络与反向传播（Back Propagation,简称BP）神经网络对电缆故障识别的稳定性。仿真试验结果表明,该识别方法对在线电缆早期故障类型的识别正确可靠,系统具有较好的稳定性。这为电力电缆早期故障的在线诊断提供了理论支持。     

基于小波神经网络的电路故障诊断方法

本文根据小波神经网络故障诊断的基本思想,提出了一种基于“小波系数特征故障”的小波预处理神经网络模拟电路故障诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了BP神经网络的训练速度.能迅速有效地进行故障检测和定位。     

小波-神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法.对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本.用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型.     

基于改进小波神经网络的旋转机械故障诊断

根据旋转机械复杂的故障特点，提出了结合第2代小波分析、模糊理论和神经网络形成的改进小波神经网络。该诊断方法利用第2代小波分析对信号进行预处理-征向量的提取，然后用训练好的模糊神经网络进行故障识别，并对相应算法进行了优化。将改进小波神经网络运用于旋转机械的故障诊断，通过计算机仿真和试验的结果表明，该方法在处理多故障耦合的情况时优势明显，不仅可以正确识别故障的类型，还可以进一步对故障的严重程度及其发展趋势进行可靠的诊断。这表明改进的诊断方法是行之有效的，为旋转机械的故障诊断提供了理论支持。     

基于小波神经网络的电动机转子故障诊断

在电动机故障诊断技术中,基于振动和定子电流频率成分的检测是电动机故障检测的两种主要手段.讨论了基于振动故障信号的检测方法.由于电动机振动信号是非平稳随机信号,故障信号中往往含有大量的时变、短时突发性质的成分,传统的傅里叶信号分析不能有效地提取电动机的故障特征,而且还可能将含有丰富故障信息的微弱信号作为噪声去除.因此,引入比小波分析更强的小波包变换技术来提取信号的故障特征信息,得到的结果作为神经网络的输入信号,用神经网络的L-M优化算法来进行训练,然后用BP神经网络来进行故障识别.采用Matlab软件进行仿真,证实该方法对电动机故障诊断的有效性和准确性.     

模糊小波神经网络在电机断条故障检测的研究

鼠笼式异步电机的转子绕组由导条和端环组成,最常见的故障是断条和端环断裂.诱发原因主要有:设计制造不合理、频繁起停、交变负载使导条和端环因冷热循环而疲劳断裂、电压波动造成电流过大而过热等.针对这些故障,文中用模糊小波神经网络的分析方法,有效地提取了转子断条故障的特征信息,克服了传统基于FFT分析方法难以提取故障特征频率分量的难点,并依靠神经网络诊断方法,准确地识别出了电动机转子断条故障.     

基于小波包分析和Kohonen神经网络相结合的轴承故障诊断

简述了小波包分析及用于特征提取的机理,以SKF 6326-C3轴承为例,从吉林同发风电场采集了不同工况下的实时信号,利用小波包对滚动轴承振动信号进行分解,振动信号被分解到独立的频段。不同频带内的信号能量变化反映了运行状态的改变,提取各频带小波包能量谱,并对其进行能量归一化处理,作为特征向量,最后应用于基于Kohonen神经网络的故障诊断方法。经对大量实测数据的处理和分析,能够比较准确地诊断出轴承的故障。     

小波神经网络在柴油机异响故障诊断中的应用

由于活塞敲缸响和活塞销响是两种常见的、却难以区分的柴油机异响故障，这里对EQ6BT柴油机这两种故障的缸体振动信号进行Morlet连续小波变换，作出小波变换系数的尺度-能量谱，并提取出尺度为3～20范围内的最大尺度能量作为BP神经网络的输入向量，实现了对该柴油机两种异响故障的诊断。结果表明，利用文中所设计的小波神经网络能非常准确地诊断出EQ6BT柴油机活塞敲缸响、活塞销响两种异响故障及其故障的严重程度。     

改进小波包与RBF网络在轴承诊断中的应用

基于故障轴承的特征提取,提出一种基于小波包与径向基RBF神经网络相结合的故障诊断方法,克服了以往常用诊断方法中的小波BP神经网络网络收敛慢、训练时间长、而且常常陷入局部极小点的缺点。采用小波滤波技术对采集到的滚动轴承振动信号进行滤波处理,利用小波包分解获得滚动轴承振动信号的特征向量作为故障样本对RBF网络进行训练,进行了详细的故障诊断试验研究。实验结果表明训练好的RBF网络能够很好地诊断出轴承故障类型,故本方法在旋转机械故障诊断方面具有良好的应用价值。     

基于小波神经网络(WNN)的齿轮故障诊断

在研究齿轮故障诊断模型以及齿轮故障诊断策略的基础上,选择基于知识方法的小波神经网络方法用于齿轮故障诊断,提出了学习速率自适应调整的梯度下降法来修正小波神经网络的各个系数;最后通过实验证明,利用小波神经网络技术能够实现准确识别齿轮故障.     

基于小波包分解和BP神经网络的轴承故障诊断

针对滚动轴承的故障诊断,提出了小波包分解与BP神经网络结合的诊断方法。对轴承振动信号进行3层小波包分解,构造其特征向量,输入神经网络进行训练和测试。Matlab仿真结果表明,该方法能有效地诊断出轴承的故障类型。     

基于小波包特征向量与神经网络的滚动轴承故障诊断

基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法.对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型.