基于BP神经网络刀具磨损状态监测的研究

为了实现刀具磨损在铣削过程中的工业应用,提出了一种基于BP神经网络的预测刀具磨损状态的方法。采用易于采集的振动信号作为监测信号,用小波分析对振动信号进行数据处理,将不同波段的能量作为输入特征值,用工业显微镜测量刀具磨损值。建立BP神经网络,实现刀具磨损状态的监测。实验表明,检测结果能够对刀具磨损状态正确识别。     

棉秆粉碎刀具磨损状态监测系统设计与试验

针对棉秆粉碎还田过程中刀具磨损严重且缺少故障监测装置导致工作失效的问题,设计了一种搭载在棉秆粉碎还田机上的智能监测系统。系统以STM32单片机为主控制器,应用多种传感器融合技术,基于机器学习算法实现刀具磨损状态监测。为了解决棉秆粉碎刀具磨损非线性特征信号难以提取的问题,提出了一种融合改进蝴蝶优化算法(IBOA)和支持向量机(SVM)的刀具磨损状态监测方法(IBOA-SVM)。该监测方法以粉碎刀辊转速、左侧振动频率、右侧振动频率作为模型输入特征向量,将刀具磨损状态(正常状态、磨损状态、丢刀状态)作为输出。相较于未优化的SVM算法,通过IBOA算法优化SVM算法的参数,刀具磨损状态的识别准确率由95.61%提高至98.83%。为验证IBOA-SVM模型的有效性,在相同参数设置环境下进行多种模型的重复对比试验,试验结果表明：相较于SVM、PSO-SVM、WOA-SVM、BOA-SVM和CWBOA-SVM 5种模型,IBOA-SVM模型识别准确率平均值有所提升,单次试验的准确率均维持在较高的水平。将IBOA-SVM模型嵌入到监测系统,并进行田间验证试验,试验结果表明设计的刀具磨损状态监测系统在...     

基于超球面支持向量机的刀具磨损状态识别

提出一种基于超球面支持向量机的刀具磨损状态识别方法。该方法提取切削力与振动信号中的多项特征,对各项特征分别进行刀具磨损量相关性分析,选择与刀具磨损变化量最相关的均值、均方根、小波系数能量以及小波系数近似熵组成特征向量。采用超球面支持向量机作为分类器,实现了刀具磨损状态的自动识别。实验证明,在小样本学习情况下,基于超球面支持向量机的刀具磨损状态识别方法具有良好的学习和泛化能力,获得较高的识别正确率。     

小波神经网络的微孔钻削在线监测

提出小波神经网络对微孔钻削进行实时监测的方法,利用扭矩信号的小波包分解,以分解后的各能量向量作为神经网络的输入,对系统进行训练,利用Matlab和LabView软件建立微孔钻削在线监测软件系统。试验结果表明小波神经网络精度高、收敛速度快,采用小波神经网络对提高微孔钻削在线监测的准确性是有效的。     

小波神经网络故障诊断系统的设计与应用

采用能量分布特征提取方法和优化BP算法，提出了一种基于小波变换和BP神经网络的故障诊断系统。利用该系统对汽车变速箱三挡齿轮磨损程度进行估计，诊断结果与实际完全吻合，表明该小波神经网络故障诊断系统的有效性。由于小波分析特别适用于非平稳信号的处理，因此该小波神经网络诊断系统对复杂机械设备的故障诊断有着广阔的应用前景。     

基于神经网络信息融合的铣刀磨损状态监测

为了获得铣削加工过程中铣刀后刀面磨损的全面评价，用铣刀后刀面磨损带面积作为衡量刀具磨损量的一个评价指标。提取和精选了8个对铣刀后刀面磨损状态敏感的无量纲特征参数并经归一化处理后，作为基于神经网络信息融合的铣刀磨损状态监测系统的输入信号。采用3层BP神经网络模型，利用其多传感器信息融合功能在线监测了铣刀后刀面磨损带宽度和磨损带面积。监测系统的输出结果与实际测量结果基本吻合。     

铣削刀具不同磨损期振动信号的分维特征

提出了应用铣削刀具磨损工作状态下的振动加速度信号的关联维数来描述刀具不同磨损状态下的特征,进而实现对状态的监测、识别。试验证明,刀具磨损在相同状态下,振动信号具有相近的关联维数,在不同状态下则有明显的关联维数。因此,关联维数不仅可以作为状态监测与识别的重要依据,而且可以作为其他特征提取方法的补充。     

基于VMD-MRMR-LSTM的铣刀磨损预测

针对机械加工过程中刀具磨损状态的预测精度低问题,提出一种基于VMD-MRMR-LSTM的刀具磨损预测方法.首先,通过Kistler测力仪、振动传感器采集刀具铣削过程中的力、振动信号;其次,对信号进行变分模态分解和时域统计提取时域、频域特征,利用最大相关最小冗余法筛选出最优特征子集;最后,对特征子集中的每个特征序列搭建长...     

基于传感器信号融合和PSO-LSSVR的刀具磨损预测研究

最小二乘支持向量回归模型能有效地构建特征与刀具实时磨损间映射关系,但受限于自身参数的复杂性,无法获得最优模型性能,同时由于单个传感器的局限性,难以全面反映刀具磨损的多维信息。为进一步提升刀具磨损预测精度,提出一种基于多传感器信号融合并利用粒子群算法优化参数的最小二乘支持向量回归模型的刀具预测方法。通过对采集的传感器信号进行小波降噪,提取可用于反映刀具磨损的多域特征,并通过核主成分分析法对多域特征进行降维融合,采用经过粒子群算法优化参数的最小二乘支持向量回归模型构建融合后特征与刀具磨损的映射关系。通过公开数据集进行的实验,表明该模型具有较高的预测精度,验证了所提出预测方法的有效性。     

基于KNN的刀具磨损状态检测

为了检测机械加工过程中的刀具磨损程度,保证加工质量,提出基于KNN算法的刀具磨损状态方法。利用KNN算法中的相似度分类的特征,对数字图像文本化后进行相似度计算,形成分类模型识别刀具磨损程度,最后通过实验证明该方法的识别准确性。该方法监测过程简单,动态性和经济性好,适合在加工过程中推广。     

融合ARIMA模型和GAWNN的溶解氧含量预测方法

针对河流污染治理、水源管理，提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据，分解为线性和非线性序列，线性数据使用ARIMA模型预测，使用最小二乘法完成了ARIMA模型参数估计。对于经过ARIMA模型处理的非线性残差数据、预测值与原始溶解氧序列之间的线性和非线性关系，采用小波神经网络（WNN）获得预测值，并采用遗传算法的选择、交叉、变异等操作优化网络参数，比传统WNN模型预测精度显著提高。ARIMA模型、小波神经网络、遗传算法优化小波神经网络（GAWNN）和未经遗传算法优化的组合模型预测平均绝对误差分别为0.29%、0.39%、0.26%、0.24%，提出的组合模型预测结果平均绝对误差约0.19%且为最小。结果表明，该组合模型优于单个模型和传统组合模型的预测结果。     

递归神经网络在降雨量预测中的应用研究

递归神经网络(RNN)模型近年来在许多任务上表现出了优良的性能。运用具有长短期记忆(LSTM)单元的递归神经网络构建模型和通过时间反向传播(BPTT)算法更新网络权重解决长期降雨量的预测问题,较好地解决了高维数、非线性和局部极小问题。选取了前馈神经网络模型(FNN)、小波神经网络(WNN)模型和整合移动平均自回归(ARIMA)模型3种模型进行验证比较。仿真结果表明,递归神经网络模型优于其他模型,训练结果与实际值接近,预测精度较高。预测结果为农业用水管理、合理制定灌溉制度提供了重要的科学依据。     

电动液压助力转向系统的控制算法研究

首先针对电动液压助力转向(EHPS)系统助力特性非线性特点,将BP神经网络引入EHPS系统中。因BP神经网络存在易陷入局部最小缺点,提出了利用遗传算法来优化BP神经网络的连接权值的改进型BP神经网络(简称ENN)控制算法,对助力特性曲线进行全车速拟合。通过对拟合结果的分析得出ENN算法具有收敛速度快、泛化能力强的特点,准确实现了非线性助力特性的全车速拟合,克服了EHPS系统的助力盲区。最后,通过台架试验验证该ENN控制算法的可行性。     

基于神经网络算法的果树需水预测研究

【目的】准确预测果树需水量。【方法】对采集地果园环境数据进行主成分分析,筛选出影响果树蒸腾量的关键因子。建立以长短时记忆(LSTM)神经网络为基础的预测模型来预测果树蒸腾量。为提高预测的精度,在LSTM神经网络的基础上加入了注意力(Attention)机制,形成Attention-LSTM预测模型。【结果】将改进的模型与其他模型的预测精度进行对比,仿真试验表明,该模型的预测精度最高,RMSE和MSE分别为0.487和0.062。【结论】该预测模型可以准确预测果树蒸腾量,从而实现果园精准灌溉并提高水果产量,具有一定的实际意义。     

FC-CNN:基于卷积神经网络的水果图像分类算法

针对现有基于卷积神经网络的水果图像分类算法均使用池化层进行降维处理会丢失部分特征,导致分类精度有待提高的问题,提出FC-CNN(Fruit Classification Convolutional Neural Network)水果图像分类算法。该算法基于深度卷积神经网络思想,设计了一种由二维卷积层、批量规范化层和激活函数组成的网络结构,利用Sofmax loss和L2正则化进行损失函数设计。算法使用卷积加步长替代池化层,让网络具有自主学习下采样能力,使用批量规范化层用于解决网络过拟合问题。采用Fruits-360数据集进行测试,实验表明,FC-CNN可以识别出48种水果,准确率可达到99.63%。与现有的深度学习水果图像分类算法相比,FC-CNN的识别准确率更高,识别种类更多。     

基于BP神经网络的黄河下游引黄灌区引水量分析

介绍了神经网络的基本原理及其 BP算法 ,建立了引水量预估的人工神经网络模型。实例分析表明该方法可行、预估结果可靠 ,为引黄灌区的引水分析预估提供了具有实用价值的基本理论和实施技术。