基于BP神经网络的数字识别系统

系统通过对图像的一系列预处理,采用BP算法神经网络,根据数字字符特征进行识别。用该算法实现的数字字符识别系统识别率高,误识率低,可以单独使用,也可以把它作为一个识别系统的软件核心应用到车牌识别、运动员号码识别、车厢识别等系统中去。     

双谱分析在往复泵故障诊断中的应用研究

针对当机械系统发生故障时,非线性特征更为突出的特点,提出了基于双谱分析的往复泵故障的振动诊断方法,研究了利用阀箱上振动信号的双谱,尤其是双谱沿f1=f2的切片谱识别泵阀故障,诊断实例表明,采用双谱分析可有效抑制振动信号中的噪声,得出比传统功率谱分析更明显的泵阀故障特征,可有效识别往复泵泵阀的初期故障。由于该方法仅利用阀箱上振动响应信号的双谱分析即可完成对泵阀不同类型故障的正确识别,故更为简单和实用。     

三缸单作用往复泵泵阀冲击信号的实用提取新方法

针对三缸单作用往复式钻井泵泵阀振动信号成分复杂和相互干扰的特点,研究了往复泵泵阀故障诊断前从多信源振动信号中分离提取泵阀冲击信号的方法,包括有时标信号时泵阀冲击信号的分离提取方法和无时标信号时泵阀冲击信号的分离提取方法,实现了泵阀振动信号的预处理.对两种方法提取的泵阀冲击信号进行小波包分频带能量值计算,计算结果表明,这两种方法均能有效地消除目标泵阀振动信号中混杂的其他泵阀振动分量,达到相同的效果,从而使后续分析中得到的监测诊断信息的准确性和町靠性得到保障.     

基于BP网络的人脸朝向识别模型

本文基于BP神经网络建立数学模型解决人脸朝向识别这一重要问题。通过对图片压缩、标准化处理等步骤,建立了一个全新的BP神经网络。并用MATLAB对50张图片进行了实验,实验结果表明,该方法识别准确率高、识别过程速度快。最后,我们就训练样本数目的确定与更有效识别方法的探索两个方面对模型提出了改进。     

基于BP网络和LVQ网络的故障诊断比较的研究

齿轮箱故障诊断是一个复杂的非线性系统,影响因素比较多,很难建立一个理想的故障诊断数学模型。利用BP网络和LVQ网络的原理和工作方法分别对齿轮箱故障进行诊断。这里把齿轮箱分为3种故障模式:无故障、齿根裂纹、断齿。实验表明BP网络和LVQ网络都能有效地进行故障诊断,同时实验证明LVQ网络进行故障诊断更具精确性。     

基于在线BP神经网络的制冷系统风机故障识别

本文介绍了一种基于神经网络在线学习的制冷系统风机故障识别方法。选取环境温度、蒸发温度、风机风量、压缩机负荷作为输入,以预测冷凝温度为输出,利用BP(Back Propagation,反向传播)神经网络对一台风冷冷水机组进行在线状态学习,并利用学习到的模型对冷水机组进行风机故障识别。将整个过程分为初始化,成长学习、成熟学习、暂停4个状态,介绍了每个状态的主要任务,及各状态如何过渡衔接。结果表明,该方法可以成功地应用在风冷冷水机组的在线实时控制中,对运行中风机的故障进行识别和报警。     

基于BP神经网络的油管螺纹识别

随着油田的开发,油管的使用量逐年增加,同时有大量油管报废。由于所处的条件不同,油管缺陷的出现及缺陷的特征也不尽一致。本文将就油管产生的缺陷的类别进行分类并应用BP神经网络对缺陷进行识别。     

基于BP神经网络分类器的运动物体识别方法的研究

本文针对运动目标进行特征提取,在神经网络分类器中输入数据,对分类器采用不同的算法进行训练,以提高运动物体识别的准确率。据有关试验结果显示,与其它类型的分类器相比,基于BP神经网络分类器的运动物体识别方法的识别率相对较为准确。     

采用BP神经网络的车牌字符识别方法研究

将BP神经网络应用于汽车车牌的自动识别，在简述车牌预处理的基础上，重点讨论了用BP神经网络方法对车牌照字符的识别，用MATLAB完成了对车牌照数字识别的模拟，最后给出实验结果：     

基于双谱的BP神经网络的齿轮故障模式识别

本文以双谱分析为基础,对双谱分析的结果进行特征提取,提出了双谱-BP网络故障诊断方法。以双谱为BP神经网络的输入特征向量,对所提出的方法进行了实验研究,结果表明所提出的双谱-BP诊断方法是判断故障类型的一种有效方法。     

时域径向基函数网络诊断方法在往复泵故障诊断中的应用

往复机械是工程中广泛应用的一种机械设备 ,由于其动力学和运动学形态比旋转机械复杂 ,对其进行故障诊断存在较大难度 ,有效提取往复机械运动中非平稳时变信号中的故障特征和将故障特征准确分类是解决往复机械故障诊断问题的两个关键。本文利用时域数字特征分析方法完成故障特征信息提取 ;通过径向基神经网络对特征信息分类识别 ,实现故障的自动诊断。利用以上原理建立的油田往复塞泵故障监测与诊断系统 ,通过在大庆油田的实际应用表明 ,系统能够比较准确的识别往复柱塞泵多种常见故障 ,且具有较高的运算速度。     

改进的BP神经网络在风机故障诊断中的应用

采用动量法和学习速率自适应的改进BP神经网络建立风机故障诊断系统。在网络训练过程中分别采用标准训练样本和含有白噪声的训练样本来训练网络,使网络具有一定的容错性。最后通过仿真实验和风机的故障诊断实例表明：改进的BP神经网络减少训练次数,提高了学习效率,而且有效地抑制网络陷于局部极小,是风机故障诊断的有效方法。     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

基于改进BP网络的冷水机组故障诊断

采用常规神经网络进行冷水机组的故障检测与诊断,存在整体检测率低或完全无法检测的现象。为了提高冷水机组故障检测效率及诊断精度,本文提出了一种基于贝叶斯正则化的改进神经网络故障检测策略。由于BP神经网络存在泛化能力差的缺陷,对神经网络进行贝叶斯正则化,从而提高模型的检测效率。贝叶斯算法通过限制神经网络权值,使网络反应更加光滑,模型更精确。通过利用ASHRAE Project提供的数据对FDD(fault detection and diagnosis)策略进行验证,检测率明显提高。     

基于神经网络的电子线路故障诊断

分析了故障字典法在实际应用中存在的不足,提出将单位BP算法应用到电子线路的故障诊断中。对基于该方法的航空装备电子线路故障诊断进行了计算机仿真,并分析了网络参数的变化对训练结果的影响。仿真结果表明了该方法的合理性和有效性。     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。     

基于小波分析和模糊神经网络的齿轮故障诊断研究

建立齿轮故障信号采集模拟试验台,结合小波分析特征提取方法和模糊神经网络对齿轮故障进行了诊断,通过实验仿真,取得了很好的诊断结果。相比于传统的BP神经网络诊断方法,无论在诊断速度还是诊断精度上,模糊神经网络更具有优势。     

基于灵敏度预分类的BP神经网络故障诊断方法

故障特征信息的获取和处理对电路故障的可靠分类和准确诊断有很大的影响．在电路故障诊断时,对于不同的故障模式,存在信息混叠的现象,需要解决特征信息的有效提取和故障的可靠分类等问题．为此,本文提出了一种结合灵敏度特性分析的BP神经网络故障诊断方法．基本思想是通过灵敏度的计算,对电路故障样本作预分类,再根据电路灵敏度的计算结果分别提取相应特征信息,以此构造故障样本特征集,然后作为BP神经网络的输入对网络训练,并进行故障诊断．对滤波器的仿真结果表明,该方法能分类不同的元件故障,且对模拟电路故障诊断的平均正确率优于传统方法．     

基于BP神经网络的高压断路器故障诊断

为诊断与分析高压断路器故障, 本文提出了基于BP神经网络的高压断路器故障诊断方法。该方法利用高压断路器典型分合闸线圈电流-时间曲线, 能反映其机械故障状况的特点, 将仿真输出数据与故障编码比较获得诊断结果。该方法只需一组完整的故障数据作为网络的训练和测试输入, 就能够诊断出高压断路器操动机构是否出现异常情况, 以及确定出现故障的类型。本文以MATLAB2014b为试验平台, 用实际数据作为训练样本和测试样本进行仿真分析, 其输出结果与期望输出一致, 验证了该方法是一种有效的高压断路器故障诊断方法, 具有广阔的应用前景。