机械故障诊断技术的新动向——人工神经网络在其上的应用

本文介绍了机械故障诊断技术的定义和方法。人工神经网络模型的性质,结构及其学习算法,并讨论了人工神经网络在机械故障诊断中的应用情况。     

人工智能在机械故障诊断中的应用

介绍了机械故障中应用的各种人工智能诊断方法及理论，包括专家系统、人工神经网络等，根据二者在机械故障诊断中的应用情况分析了它们的优缺点，并以专家系统在汽车故障诊断中的应用为例，阐述了专家系统在实际应用中存在的问题。     

人工神经网络在CAD中应用的现状与方法研究

在论述人工神经网络理论研究进展，分析人工神经网络模型的特点和性质的基础上，探讨了人工神经网络模型在现代CAD技术中的应用研究现状与发展趋势；阐述了人工神经网络在优化设计中的算法和在CAD专家系统中的应用方法，以及自由曲面神经网络建模方法和特征识别与提取方法.     

基于人工神经网络的CAD技术

在论述人工神经网络理论研究进展、分析人工神经网络模型的特点和性质的基础上，综述了人工神经网络模型在现代ＣＡＤ技术中的应用研究现状及发展。     

手提式电锯故障的诊断与排除

本文论述了电锯产生故障的原因与现象，针对电锯电器故障和机械故障，提出了诊断和排除方法。     

基于BP人工神经网络的冻土融沉系数预测方法研究

为促进人工冻结技术在地下工程地基处理中的推广应用，在综合分析人工冻土融沉系数影响因素的基础上，采用BP人工神经网络方法建立人工冻土融沉系数的预测模型。用南京地区典型土质淤泥质黏土、粉质黏土和粉砂的试验数据作为网络模型的学习训练样本和测试样本，对网络模型的预测结果与实测进行对比。结果表明，用人工神经网络方法预测人工冻土融沉系数，结果准确可靠，更接近于实际，是一种很好的预测人工冻土融沉系数的方法：     

基于人工神经网络的树高曲线模型研究

本文利用人工神经网络建模技术,以河南农业大学三区内毛白杨人工林99株的断面积平均直径和树高资料为基础,研建了树高曲线人工神经网络BP模型和幂函数模型。通过两个函数模型的比较表明:人工神经网络建模技术精度高、误差小,具有很强的泛化能力。在用幂函数拟合较差的情况下,人工神经网络也取得很高的精度,其拟合效果具有明显的优势。     

基于网络化传感器的远程设备监测与故障诊断方法研究

围绕远程设备监测与故障诊断这一中心,对系统前端用于现场数据采集的网络传感器节点设计和系统后端的机械故障信号处理技术进行了分析,提出了一种比较实用的远程设备监测与故障诊断系统的设计方法.     

人工神经网络在林业上的应用研究进展

在目前的林业生产中,林业作业机械化、自动化与智能化的程度存在着一定的不足,在林业作业中借助人工神经网络技术优化作业系统可以有效地提高作业效率和精度。文中概述了国内外人工神经网络在林业作业应用中的研究现状以及人工神经网络在林业作业应用中的优势,介绍了人工神经网络在植树造林、森林监测、森林采伐、木材加工4个方面的应用现状,在分析林业作业应用人工神经网络存在问题的基础上,提出了人工神经网络在林业作业应用中未来的发展方向,以期提高林业作业的智能性和准确性。     

毛竹生长动态模拟预测新模型

本文以影响毛竹生长的6个主要气象因子为输入变量，以毛竹平均胸径为输出变量，首次运用人工神经网络方法建立毛竹生长动态模拟预测模型。结果表明：该模型模拟精度高达93．91％，从而为人工神经网络方法的应用和毛竹科学研究开辟新的思路。     

基于人工智能的木材缺陷检测研究进展

木材缺陷检测是木制品加工前的重要步骤,为了提高检测效率和经济效益,木材缺陷检测也从传统的人工方法向智能化方向转变。随着计算机技术的不断提高,人工智能得到快速发展,人工智能在木材缺陷检测中的应用也进一步增加。目前,人工智能主要通过机器学习、人工神经网络、深度学习等算法实现对木材缺陷的预处理和检测。文中阐述部分常用人工智能算法在木材缺陷检测中的应用,包括相关算法的原理、特点;综合分析算法优缺点,并对人工智能技术在木材缺陷检测中的研究进行了展望。     

木材无损检测的现状与发展趋势

概述了无损检测的定义以及木材无损检测的特殊性,重点介绍了多种木材无损检测方法的基本原理、特点及国内外研究现状,并从设备便捷化、成像技术、人工神经网络、联合检测等四个方面阐述了木材无损检测技术的发展趋势。     

小波分析与人工神经网络在木质材料无损检测中的应用

介绍了小波变换和人工神经网络在无损检测中的工作原理,分析了小波变换处理非平稳信号提取特征值、人工神经网络进行模式识别的优点,并提出小波、人工神经网络以及松散型和紧致型小波神经网络在木质材料的无损检测中的应用。     

动态数据驱动的林火蔓延模型适宜性选择

基于BP人工神经网络方法设计林火模型适宜性选择技术框架结构,通过神经网络形成林火模型选择知识,实现林火模型的自动化和智能化选择;以火场环境因子为输入变量,以适宜火场环境模拟的林火蔓延模型作为输出变量,构建林火模型选择神经网络模型;研究输入、输出因子数据的获取与计算方式,实现动态数据驱动的林火模型自动选择机制.以北京市为例,选择有详细火场情况记录的72场林火作为试验样本,其中60条记录作为学习样本集,12条记录作为验证样本,对神经网络进行学习和验证,结果表明:模型选择精度可达到80%以上.     

灰色聚类法和人工神经网络在水质综合评价中的比较

探讨了两种水质综合评价方法：改进的灰色聚类法和人工神经网络法。通过采用增加训练样本和黄金分割的隐合层节点优化算法建立了人工神经网络模型,将两种水质综合评价方法进行了比较,结果表明：改进的灰色聚类法计算量较大,主观性较强,评价结果稳定。BP人工神经网络进行水质综合评价具有客观性,但网络训练较为繁琐,通过插值生成训练样本,极大地增强了网络的稳定性。但扩充后的训练样本,不能代表复杂的水质实况,使评价结果受到一定影响。     

Prediction of the optimum veneer drying temperature for good bonding in plywood manufacturing by means of artificial neural network

Veneer drying is one of the most important stages in the manufacturing of veneer-based composites such as plywood and laminated veneer lumber. Due to the high drying costs, increased temperatures are being used commonly in plywood industry to reduce the overall drying time and increase capacity. However, high drying temperatures can alter some physical, mechanical and chemical characteristics of wood and cause some drying-related defects. In this study, it was attempted to predict the optimum drying temperature for beech and spruce veneers via artificial neural network modeling for optimum bonding. Therefore, bonding shear strength values of plywood panels manufactured from beech and spruce veneers dried at temperatures of 20, 110, 150 and 180 °C were obtained experimentally. Then, the intermediate bond strength values based on veneer drying temperatures were predicted by artificial neural network modeling, and the values not measured experimentally were evaluated. The optimum drying temperature values that yielded the highest bonding strength were obtained as 169 °C for urea formaldehyde and 125 °C for phenol formaldehyde adhesive in beech plywood panels, while 162 °C for urea formaldehyde and 151 °C for phenol formaldehyde in spruce plywood panels.