融合迁移学习的AlexNet神经网络不锈钢焊缝缺陷分类

针对不锈钢焊缝缺陷特征提取存在主观单一性和客观不充分性等问题,提出一种融合迁移学习的AlexNet卷积神经网络模型,用于不锈钢焊缝缺陷的自动分类。首先,由于不锈钢焊缝缺陷数据较为缺乏,通过采用迁移学习对网络前3层冻结,减少网络对输入数据量的要求;对后2层卷积层提取的特征信息批量归一化(batch normalization, BN),以加快网络的收敛速度;并使用带泄露线性整流(leaky rectified linear unit, LeakyReLU)函数对抑制神经元进行激活,从而提高模型的鲁棒性和特征提取能力。结果表明,该模型最终达到了95.12%的准确率, 相比原结构识别精度提高了9.8%。验证了改进后方法能够对裂纹、气孔、夹渣、未熔合和未焊透5类不锈钢焊缝缺陷实现高精度分类。相比现有方法,其识别面更广,精度更高,具有一定的工程实践意义。     

基于ANSYS的联轴器工程有限元分析

采用有限元法对某联轴器进行分析。首先利用ANSYS建立了该联轴器的模型,之后按照其实际工作情况施加载荷和约束,并对其进行求解,得到了联轴器X、Y、Z方向的位移与总位移云图,以及X、Y、Z方向的应力与von Mises等效应力分布云图;之后对其进行了疲劳强度分析,结果表明该联轴器大、小孔处极限应力小于材料的屈服极限和疲劳破坏极限,其在正常传递扭矩的情况下校核安全,满足正常工作的要求。     

基于特征调和筛选的焊缝缺陷语义分割研究

提出了一种基于特征调和筛选的X射线不锈钢焊缝缺陷语义分割模型。通过池化与特征调和筛选块对输入图像进行下采样,利用特征注意模块为相同层级的特征图进行通道与空间重新赋权,并且使用反卷积逐步恢复特征图大小。实验表明：在X射线不锈钢焊缝缺陷数据集上进行语义分割识别性能时,本方法MIoU指数达到了53.87%,相较于其他方法,本方法具有更高的识别准确度与图像处理速度,具有一定的工程应用价值。     

Kalman滤波和BP网络在齿轮箱故障诊断中的应用

针对得到的齿轮箱运行中振动信号信噪比低而引起的故障识别精度低的问题,提出了一种新的基于卡尔曼滤波与BP神经网络的设备故障诊断方法,卡尔曼滤波的作用是对振动信号降噪处理然后提取特征,而BP网络则可实现故障的识别。通过算法仿真以及齿轮箱实验可证明,结合此种算法便可解决信噪比低的问题,与此同时也提高了故障识别精度。     

大长径比减振镗杆的ANSYS静力优化分析

大长径比镗杆对于深孔的加工有很好的效果,为设计性能较为优良的减振镗杆,采用数值模拟的手段,对三种镗杆方案进行了ANSYS静力分析。通过分析得出性能最为优良的减振镗杆,在镗杆一端加入橡胶阻尼提高了其减振性能,在另一端加入硬质合金提高了其刚度。     

贝叶斯优化的表面缺陷超分辨率检测

金属表面缺陷待测样本往往存在分辨率低、缺陷边界模糊、缺陷密集、缺陷目标小的情况,同时,构建的检测模型存在大量的超参数需要手动调参,缺乏模型自适应调参能力,本文提出一种基于贝叶斯优化的表面缺陷超分辨率检测算法.通过设计精细化分层结构,丰富主干网络特征图的感受野,增强对高低频信息的提取,重建出边缘纹理清晰的高分辨率图像;通过构建瓶颈残差密集结构,丰富主干特征提取网络的浅层特征和深层特征,提升模型对小目标和密集目标的分类和定位能力;通过贝叶斯优化算法以较小的时间代价自适应优化检测模型的关键超参数.实验表明,本文对NEU-DET数据集中6类金属表面缺陷的mAP_0.5可达0.782,同时检测速度可达102 f/s,优于其他检测算法.     

基于多域多尺度深度特征自适应融合的焊缝缺陷检测研究EI北大核心CSCD

针对焊缝缺陷检测信号信息丰富度低、深度网络架构人工依赖性强等问题,开展基于多域多尺度深度特征自适应融合的焊缝缺陷检测研究。构建时域数据集并衍生至实数域与复数域中,丰富检测信号的特征表达;设计多域信息融合模型,充分融合特征域信息;提出面向卷积神经网络多维超参数自寻优的模型优化策略,提高模型的效率和性能。试验表明,所提方法对五类焊缝缺陷识别准确率为96.54%,能够在提升识别准确率同时保持较少的参数量和计算消耗,具有较强的实用性和泛化性。