基于自适应学习的量子神经网络振动信号压缩

针对一维振动信号的压缩特点,提出一种基于自适应学习的量子神经网络振动信号压缩方法。方法针对梯度下降法3个参数相互影响,导致局部收敛的问题,采用较快的共轭梯度法对网络参数进行更新,根据误差精度函数大小,自适应地选择学习速率,从而使该方法可以用更大的压缩比得到更少的压缩数据。实验结果表明,与基于量子神经网络数据压缩方法相比,基于自适应学习的量子神经网络方法可以进一步提高振动信号的压缩比,减小重构误差,缩短运行时间,更适用于振动信号的在线传输。     

采用BP神经网络优化的振动信号压缩感知方法

无线传感网络逐渐应用于结构健康监测,但是因能耗问题难以实现长期、高频的数据采集工作。压缩感知技术可利用少量的采样点重构原始信号,有望降低无线传感网络的能耗。实测振动信号因受到噪声干扰而导致稀疏性有限,常用于压缩感知的LASSO算法难以精确求解稀疏系数,进而影响振动信号重构效果。引入BP神经网络优化LASSO算法解得的稀疏系数,BP神经网络经ADAM优化算法训练后,可有效提升振动信号重构精度。用三层框架结构的模拟加速度数据和广州塔的监测加速度数据验证方法的有效性,并探讨了正则化参数和优化迭代次数的影响。结果表明,基于BP神经网络优化的压缩感知方法的信号重构效果在不同压缩率下均优于非优化的压缩感知方法。     

基于改进图像块分类算法的图像压缩方法

本文提出了一种基于BP神经网络和改进的图像块分类算法的有效图像压缩方法.首先采用改进的图像块分类算法将图像块划分为互不重叠的3大类图像块,即平滑块、目标块、边缘块;然后基于BP神经网络对平滑块和目标块选用合适的隐含层单元数量进行压缩,对边缘块则采取不压缩而直接保存到压缩数据的方法,最后,得到上述3类图像块压缩数据集的集合.相比于对3类图像块同时进行压缩,该方法相对传统的图像压缩方法节省了0.469 s、峰值信噪比(PSNR)提高了2.11 dB,并使压缩率提高了5.25%,能够更加有效地经过图像压缩后保持细节信息.     

基于小波分析的BP网络含噪图像压缩算法的探讨

近年来BP神经网络在图像压缩技术中的应用已成为图像压缩的热点问题之一。与经典的压缩算法相比,具有更高的压缩比和重构图像质量。但实际上,原始图像经常受到噪声的污染,使得图像质量明显下降。通过研究小波图像去噪的方法,结合小波变换和BP神经网络,研究了基于小波域的BP神经网络图像压缩方法。先在小波域内对图像进行去噪,再用BP神经网络进行压缩,从而得到高质量的重构图像。结果表明,该算法对含噪声图像的压缩,获得了良好的图像质量,同时也证明了这种方法的有效性。     

自动定量称量包装传感器信号去噪算法

目的为了有效滤除自动称量控制系统中的噪声信号,提升称量系统的稳定性和精确度,提出一种基于BP神经网络粒子滤波的称量信号去噪方法。方法在粒子滤波算法中映入了BP神经网络,利用BP神经网络的非线性映射特点,对权值进行分裂和选择,将观测值看作神经网络的目标信号,通过神经网络中的多次训练增大小权值粒子的权重,从而提高粒子滤波算法的多样性。结果仿真和实验结果表明,BP神经网络粒子滤波方法能有效滤除称量包装系统中的噪声信号,提升传感器信号品质。结论该滤波方法大大提升了称量系统的稳定性,有效提高了称量包装的精度,所述控制方法可以明显提高定量称量控制过程的稳定性、精确性以及鲁棒性。     

基于小波包和PSO-BP的风机滚动轴承故障诊断

为了识别风电机组运行过程中滚动轴承的运行状态并提高故障诊断率,该文提出了一种基于小波包分解和粒子群算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承4种故障状态下的振动信号为研究对象,首先,采用小波包对振动信号进行分解、重构,提取各故障状态下的故障特征向量,将其作为BP神经网络模型的输入值。其次,针对BP神经网络的缺点,通过粒子群算法优化BP神经网络的权值和阈值构建PSO-BP故障诊断模型,试验结果表明,基于小波包和PSO-BP的方法能够很好地提高风电机组滚动轴承故障模式识别的准确率。     

基于卷积神经网络优化的水轮机振动信号识别

提出了一种基于蝙蝠算法优化卷积神经网络的水轮机振动信号识别方法。首先对水轮机时域加速度振动信号进行测量、提取和归一化处理,采用蝙蝠算法对卷积神经网络训练过程中的超参数权值和偏置值进行优化,然后对10 种不同测点的水轮机振动信号进行实验,针对每个测点的振动信号对水轮机8 种不同工况进行区分识别,最后将信号识别过程中各参数对传统卷积神经网络识别结果的影响进行针对性分析。结果表明：所建立的基于蝙蝠算法优化卷积神经网络的识别模型具有良好的稳定性和较高的识别精度,能够准确识别振动信号,识别结果准确率均在94 %以上,与传统卷积神经网络对比,信号识别准确率显著提升,最高达到20.78 %。同时可以看出,振动数据输入长度、样本尺寸和训练次数对传统卷积神经网络训练效果影响显著。研究结论可为水轮机振动识别、工况识别和故障识别提供理论依据。     

基于振动信号MTF变换的并联电容器故障诊断

针对并联电容器运行过程中常出现内部缺陷、接触缺陷、重叠缺陷、油质缺陷等4类典型缺陷，提出了一种基于振动信号马尔可夫转移场变换的并联电容器故障诊断方法。首先，根据现场工况制作了4种典型缺陷样品，测试了不同缺陷下试样的机械振动信号并搭建振动数据集；然后，基于马尔可夫转移场变换将一维振动信号转变为二维图像以提高信号可视能力；最后，通过卷积神经网络对马尔可夫密度图进行特征自提取和分类，讨论了不同分位数下信号的可视化能力，并与常见的诊断方法进行了比较。结果表明：将振动信号进行马尔可夫转移场变换提高了信号的可视化能力，使深度学习算法能够更全面的提取信号特征，文中方法的平均识别准确率达到了98%左右，能较好地实现并联电容器的故障诊断，并优于其他常见方法。     

基于声发射信号与BP神经网络的煤粉粒径识别研究

煤粉粒径的测量是燃煤电站一项重要的工作。针对目前筛分法存在的缺点,提出了一种结合声发射信号与BP神经网络在线识别煤粉粒径的方法。在频域中对噪声信号与煤粉声发射信号进行比较,确定了信号中反映煤粉粒径的频率区间,并利用小波包置零方法对信号进行去噪,在信噪比与信号平滑度方面比较了几种常用小波函数的去噪效果。通过功率谱分析发现了信号能量随煤粉粒径的变化特征。最后提取信号能量特征,利用BP神经网络对煤粉粒径进行识别。研究结果表明,结合声发射信号与BP神经网络识别煤粉粒径,可以获得良好的效果。     

转子-轴承系统混沌运动的神经网络反馈控制方法

用神经网络技术对刚性Jeffcott转子-轴承系统进行混沌滞延反馈控制研究。研究结果表明,当转子-轴承系统进入混沌状态后,引入时间滞延反馈控制信号,可以消除转子-轴承系统的混沌振动,使嵌入在混沌吸引子中的不稳定周期轨道回到稳定周期轨道上。采用间接误差计算的BP神经网络学习方法和自适应学习率BP算法结合而形成的改进型BP神经网络方法,可以快速搜寻到次优化的滞延反馈控制强度,从而即时有效地消除转子-轴承系统的混沌振动。一旦混沌振动回归稳态周期振动,则反馈控制信号自动消失。该方法为控制转子-轴承系统的振动状态提供了理论依据,特别是对工程实际转子系统有实用价值。     

一种滚动轴承振动信号的数据压缩采集方法

针对目前滚动轴承振动信号频带越来越宽,依据传统香农-内奎斯特采样定理进行数据采集时,将会得到巨量振动数据,对存储、传输和处理带来困难的问题,提出了一种滚动轴承振动信号的数据压缩采集方法。首先分析了振动信号在正交字典傅里叶基上的近似稀疏性,即可压缩性;然后融入振动信号在傅里叶基上稀疏性的结构信息,得到其优化的测量矩阵并进行压缩测量;最后基于压缩测量值采用正交匹配追踪算法对原始振动信号进行重构。通过仿真试验,结果表明,该方法既可以得到较高的信号压缩比又有着精确的信号重构性能,在不丢失振动信息的情况下,大大减少了原始振动数据量。     

基于混合采样的压缩感知重构算法

为了提高图像的重构质量和缩短重构时间,同时保持较高的压缩比,提出了一种基于混合采样的压缩感知重构算法。将图像划分为感兴趣区域和非感兴趣区域,对感兴趣区域采用恢复质量较好的正交匹配追踪算法,对非感兴趣区域采用恢复时间较短的分段正交匹配追踪算法。感兴趣区域图像中除感兴趣区域外,其他部分灰度置零以增加采样率和图像稀疏度。实验表明,该方法可以较好恢复图像感兴趣的区域,并保持较高压缩比。     

基于小波包与质心粒子群的齿轮箱故障诊断及应用

针对齿轮箱振动信号中蕴含大量状态信息难以有效提取的问题,利用小波包分解对原始振动信号进行降噪及特征能量提取,通过BP神经网络实现故障的模式识别。针对神经网络收敛速度慢、易陷入局部最优值问题,提出利用简单、易行的质心粒子群算法对BP神经网络的权值和偏置进行优化。在粒子群算法中,通过设计种群质心和最优个体质心、根据粒子位置动态改变惯性权重,并将其引入粒子群算法的速度调整公式中:来构建质心粒子群算法。分别将该方法与基本粒子群算法、遗传算法应用在齿轮箱故障诊断中,通过比较表明该方法可以有效提高分类效率和准确率。     

基于DSP和小波神经网络的丝杠性能评估系统设计

为解决数控加工现场对丝杠快速、精确地进行性能评估的问题,设计出了一种基于数字信号处理器(DSP)和小波神经网络的嵌入式丝杠性能评估系统.本文推导出通过监测丝杠的振动、研究不同负载力与振动之间的关系,可以有效评估丝杠的性能变化趋势.因此,以丝杠振动作为性能评估系统的分析信号,提出了特征值提取算法及基于小波神经网络的性能评...     

采用小波与神经网络的高效图像数据压缩方案

通过构造特别的映射、整函数和BP神经网络,获得一套基于神经网络的无损数据压缩方案。由于该方案能压缩已被小波编码压缩过的数据,因此将其嵌套入一好的小波编码系统就可以获得一种基于小波与神经网络的高效图像数据压缩方案。实验证明,该高效方案对于Lenna图像的压缩比为43∶1, 并且恢复的图像有较好的视觉效果。     

钻头钻进不同介质时的振动信号特征识别研究

钻井作业中,钻头破碎岩石产生振动,利用该振动特征可以实时反映钻进介质的种类。提出了一种钻头钻进不同介质时的振动信号特征识别方法,通过牙轮钻头破岩室内实验,采集到在不同钻压下钻头钻进砂岩、页岩、水泥环和套管时的声振信号,基于数字信号的时频处理,提取了信号时域和频域的50个特征值,应用PCA降维特征矩阵获取特征向量,建立不同钻进情况的钻头信号"指纹"特征,最后通过BP神经网络对"指纹"信息进行聚类后识别岩性和钻压。结果表明,该方法可以完成对钻头信号的特征识别,进而区分钻进地层和井眼材料(套管和水泥环),为井眼防碰作业中岩性在线识别提供技术支撑。     

基于缸盖振动信号频域特征识别气缸压力的研究

在不同的燃烧状况下同时测量缸盖表面振动信号和缸内压力信号,对平均处理后的信号进行频域分析,发现缸内压力信号中相对于基频前50阶的谐波分量包含了所关心的主要信息.根据频域分析得到的复数谱的对称特性建立了训练样本,并对建立的BP和RBF神经网络进行训练.训练的结果表明RBF神经网络可以在更短的训练时间内,获得更小的均方误差.利用不同的神经网络进行了缸内压力信号的识别,识别的结果表明,RBF神经网络识别的精度高于BP神经网络.     

运用振动和压力传感器信息融合技术实现液压泵的故障诊断

根据液压泵故障特征的分散性和模糊性,提出了振动和压力传感器的信息融合技术来进行故障诊断的方法．它是在分析液压泵球头松动故障机理的基础上,而对振动信号和压力信号进行小波消噪处理,再有效提取球头松动的故障特征,然后将不同类型特征参数进行特征层融合,并利用主成分分析和改进算法的BP神经网络,从而实现液压泵球头松动故障诊断。根据一些试验表明,对不同类型传感器信息融合故障诊断方法,的确可以有效地实现液压泵微弱故障的诊断,且效果较好、精度准确。     

深度学习在机械设备诊断中的应用

传统的机械设备状态监测是根据经验通过提取现场采集的振动信号特征值构建特征空间,采用多种方法对特征值进行聚类、分类,从而实现对设备状态的分类。但这种方法严重依赖于专家经验,并且效果受到信号噪声等众多因素的影响。分别在经典一维和二维卷积神经网络的的基础上,提出两种机械设备智能故障诊断方法,并通过凯斯西储大学轴承数据中心发布的数据集比较两种模型的性能,实验结果表明,基于一维卷积神经网络的智能诊断方法更适用于一维振动信号。将基于一维卷积神经网络的智能诊断方法应用于石化厂的机泵设备,证明其能实现特征自适应提取,可取得较好诊断效果。     

中值与小波消噪集成的转子振动信号滤波方法研究

对受强脉冲随机噪声干扰转子振动信号的滤波方法进行了研究。提出了一种将中值滤波与小波消噪算法集成的混合滤波器。其中,中值滤波用于滤除信号的强脉冲噪声分量,小波消噪平滑线性叠加在中值系列中的平稳随机噪声。结果表明,实施的滤波方法对该类信号的处理效果好,获取的转子本质振动信号保持了信号的光滑性。