基于多通道卷积神经网络的柴油机复合故障诊断

针对复合故障诊断精度较低的问题,开展了柴油机多故障模拟实验,构建了基于AlexNet改进的多通道二维卷积神经网络模型,采用短时傅里叶变换将一维振动信号转换为二维时频图,导入构建的模型进行训练,实现特征自适应提取的故障诊断。将诊断结果与单通道卷积神经网络诊断结果比较发现:单通道卷积神经网络诊断只有在测点设置靠近故障源的情况下才能够获得较高的故障诊断准确率,否则诊断准确率明显降低,且复合故障诊断精度较低;多通道卷积神经网络的单故障和复合故障诊断精度均得到了提升,其中复合故障诊断精度提升了11.4%。

基于复合图双卷积神经网络的路面裂缝识别方法

为了建立一种基于深度学习卷积神经网络的路面检测模型,提高特殊路面裂缝,如白裂缝、浅裂缝、潮湿裂缝、修补开裂等的识别准确率,在单卷积神经网络结构(单网络)上,提出了基于复合图双卷积神经网络的路面裂缝识别方法。首先,该方法在输入灰度图基础上,考虑裂缝病害图像特征,增加对应二值图组成复合图通道;其次,在单网络结构基础上增加一个针对特殊裂缝识别的单网络,非特殊裂缝网络训练使用全部数据,特殊裂缝网络训练使用特殊裂缝数据,两个网络参数分别独立更新,从而形成复合图双网络结构;然后两个网络分别对同一测试数据进行判定,得出各自的概率矩阵,最后再根据概率单侧抑制的原理将两个单网络输出结果进行叠加,得出最终识别结果。组织了70万张检测车采集图片对复合图双网络方法进行训练和测试。结果表明,复合图双网络识别重叠度、精确度、召回率显著优于灰度图单网络,证明了提出的两处优化,即将单通道灰度图改造为双通道复合输入图和增加一个特殊裂缝识别网络,提升了非特殊裂缝与特殊裂缝区域识别能力。此外,复合图双网络的重叠度、精确度、召回率指标比其他深度学习路面裂缝识别算法方法高。

基于ABC-BP神经网络的地铁盾构隧道地层识别及复合比预测

为研究盾构掘进过程中掘进参数与地层情况的关联性,建立盾构掘进过程中的机-岩关系,依托南京地铁6号线某盾构施工区间数据进行复合地层下掘进参数的统计分析。首先,利用掘进参数与地层的相关性,采用人工蜂群算法优化的BP神经网络,建立可根据掘进参数识别开挖面地层并描述复合地层组合情况的ABC-BP神经网络模型;然后,针对盾构区间进行地层识别和区间内2种复合地层的复合比预测。结果表明:1)盾构掘进参数的波动范围与均值随开挖面所处地层变化,且依地层不同呈现一定规律性;2)地层类别预测结果表明,模型对上软下硬地层、中风化泥质砂岩、粉质黏土的识别召回率分别为94.1%、96.6%、96%,总体识别准确率为95%;3)针对复合比的预测结果表明,相较于其他机器学习模型,ABC-BP模型的平均绝对误差、均方根误差均减小且样本回归值提升,在预测精度和预测稳定性方面具有一定的优越性。

基于自适应增强(AdaBoost)的径向基(RBF)神经网络改进算法在关键词预测中的应用

探究学科或领域内研究发展趋势和热点一直以来受到国内外学者们重点关注,而高频关键词的频次变化分析是其中重要的研究内容。关键词的变化与时间存在强相关性,但当前仅有少数研究考虑了关键词随时间密切变化的特性。在考虑关键词信息的时间属性基础上,提出一种基于自适应增强(AdaBoost)的径向基(RBF)神经网络预测算法(以下简称“RBF改进算法”),对关键词频次进行分析预测。对中国知网2007—2022年收录的医学图像期刊论文关键词进行处理,其中将2007年至2021年的数据作为实验训练数据,2022年数据作为验证数据,通过算例分析,对比RBF改进算法、反向传播算法和时间序列算法对关键词词频的预测结果。结果发现:通过AdaBoost算法对RBF算法进行改进,能够增强RBF神经网络的泛化能力以及对样本的适应性,同时保留了RBF神经网络较好的非线性映射能力这一优点;RBF改进算法预测结果与实际数据接近,其预测精度优于反向传播神经网络和时间序列算法,该算法的预测效果更佳。

基于人工神经网络的激光冲击复合强化残余压应力预测与分布调控

目的通过结合人工神经网络和激光冲击有限元仿真,以减少激光冲击强化最佳参数设计的迭代次数,提高参数优化效率。方法构建基于冲击波压力幅值的激光冲击强化Abaqus有限元模型。采用Vdload子程序与对应二次开发脚本形成光斑重叠区域残余应力的初始数据集。建立人工神经网络(ANN)算法模型,采用测试集对ANN模型进行测试,对超参数进行优化,对比分析不同机器学习算法的R2得分、MAE和RMSE。设计并优化镍铝青铜模型表面的残余应力大小与分布,对比分析经机器学习预测后的模型表面残余应力分布情况。结果经ANN预测整个面LSCP处理的模型表面形成了高达‒413 MPa的残余压应力,并且预测了均匀与非均匀的残余压应力分布;RMSE均方根误差仅为1.1891,既显示出较好的预测精度,又避免了模型的过拟合,保证了一定的泛化能力,模型综合性能远优于其他经典的ML算法回归模型。所预测的残余压应力分布模型均达到了较深的影响层深,且在1 Hz的脉冲重复频率下,最大效率达到了1.87 mm^(2)/s。结论激光冲击强化与机器学习的结合实现了易产生残余应力孔洞的镍铝青铜光斑重叠区域的最大残余压应力分布,且该方法优化出了整个表面的均匀与相对非均匀的残余压应力分布,为非均匀塑性应变引起镍铝青铜材料异质结构的形成开辟了新的设计途径。

基于轻量级卷积神经网络的复合绝缘子憎水性诊断方法研究

复合绝缘子因其良好的性能在电网中普遍使用,为提高复合绝缘子带电憎水性检测的智能化和自动化水平,文中提出一种基于轻量级卷积神经网络的复合绝缘子憎水性诊断方法。文中使用EfficientNet算法对复合绝缘子不同憎水性等级对应的水迹图像数据进行特征提取训练,通过对模型准确率和参数量等方面的比较,并结合模型在边缘计算设备上的正向推理速度,确定EfficientNet-b3模型为本应用场景下的最优模型。该模型分类准确率为96.43%,在Jetson Xavier NX上的正向推理速度为57.16 FPS,在精度和速度方面均优于其他经典卷积神经网络对比算法。后接触角的测量结果验证了该模型在实际应用中的分类有效性。该模型搭载无人机可进行现场运行复合绝缘子的憎水性测量,具有一定的创新价值和良好的应用前景。

基于人工神经网络的复合材料层合板隔声性能预测

面向纤维增强复合材料层合板隔声设计需求,应用正交试验方法设计18组对称铺设复合材料层合板结构,并以基于切比雪夫多项式展开的半解析法对复合材料层合板结构在10~1500 Hz频率范围内的传声损失进行预测。以单层厚度、纤维铺设角度作为人工神经网络的输入,复合材料层合板结构1/3倍频程传声损失作为输出,分别建立前馈(Back Propagation,BP)神经网络、径向基函数(Radial Basis Function,RBF)神经网络和广义回归(General Regression,GR)神经网络预测模型。结果表明,RBF神经网络的预测效果最好,均方根误差仅为1.0937,GR神经网络和BP神经网络的预测效果逊于RBF神经网络,均方根误差分别为2.6499和2.9697。最后,基于分析结果构建具有良好局部预测性能的神经网络模型以用于复合材料层合板结构的隔声性能预测。

基于优化BP神经网络的复合路基沉降预测

为准确预测CFG桩复合路基的沉降,以观测时间、累计填土厚度、软土层厚度、软土压缩模量和桩长为输入变量,基于MATLAB平台,构建网络结构为5-5-1的BP预测模型,并用粒子群算法和遗传算法分别进行优化,再以肇庆市桥北路新建工程的实测数据进行仿真,将两种优化模型和普通BP模型的预测性能进行对比。结果表明:使用PSO-BP和GA-BP预测模型预测CFG桩复合路基的沉降是可行的,且预测精度高,预测结果明显优于普通BP沉降预测模型。本文成果可为复合路基的沉降预测提供一定的借鉴与参考。

基于复合神经网络的多源气动数据建模

将深度学习方法应用至气动数据建模,能够解决传统建模方法效率低、代价高的问题,具有重要的现实意义。基于复合神经网络模型对多源气动数据进行学习,利用低精度数据辅助高精度数据进行预测。与不同网络模型进行对比,验证了文中提出的复合神经网络在气动数据建模中表现优良,且泛化能力较好。

基于神经网络优化直/气复合控制导弹迅捷转弯

空空导弹迅捷转弯控制是在保证导弹稳定飞行的前提下,在尽可能短的时间内完成整个机动过程。为实现上述战术指标,考虑到导弹迅捷转弯的快时变性、强非线性和大干扰性,设计基于滑模变结构控制和模糊逻辑的直/气复合控制器。针对实际飞行中可能出现的初值不确定和外界干扰过大等现象,引入固定时间收敛理论和扩张状态观测器,有效避免干扰带来的控制输入抖振并保证导弹姿态角能在固定时间内快速稳定收敛。利用神经网络对滑模变结构控制的设计参数进行优化,在保证导弹迅捷转弯的同时减轻导弹侧向发动机的质量。通过仿真验证新提出的控制和分配方案的有效性。研究结果表明,所设计的控制器在存在模型不确定性和外部干扰等复杂情况下具一定的鲁棒性、稳定平滑的控制效果、较强的抗干扰能力以及优异的姿态跟踪性能,同时参数优化后的控制算法跟踪效果更优,在降低了原收敛时间的12.6%的同时,降低了原最大控制力的9.6%。

理化复合参数和神经网络结合的冬小麦长势遥感监测

准确、及时地监测区域作物长势状况对农业规划和政策的制定与调整具有重要的意义。遥感技术作为一种收集大面积作物长势信息的有效手段,正日益受到关注。为提高冬小麦长势遥感监测的准确性和全面性,该研究基于田间实测的冬小麦拔节期地上鲜生物量(aboveground fresh biomass,AFB)、叶面积指数(leaf area index,LAI)、叶片叶绿素相对含量(soil and plant analyzer development,SPAD)和叶片氮含量(leaf nitrogen content,LNC)4种生长相关理化参数,利用熵值法获取各参数权重构建冬小麦理化复合参数(physico-chemical composite parameter,PCCP)。利用显著性检验和籽粒产量数据分析复合参数在量化冬小麦长势方面的性能。然后,以Sentinel-2A作为数据源,分析不同遥感指数与LAI、SPAD、AFB、LNC和PCCP的相关性。选取相关性较高的遥感指数作为反向传播(back propagation,BP)人工神经网络(artificial neural networks,ANN)的输入,建立冬小麦长势遥感监测模型,对PCCP进行估计。评价模型精度并用于监测研究区冬小麦长势分布特征。赋权结果表明,作物物理参数的权重大于生化参数,其中LAI的权重最大,为0.387,AFB和SPAD次之,LNC的权重最小,为0.105;PCCP性能评估结果表明,与单一理化参数相比,PCCP值能更好地揭示作物长势状况的差异,其与最终籽粒产量的相关性更好,决定系数提高0.035~0.468,均方根误差减少46.2~520.0 kg/hm^(2);在遥感监测过程中,PCCP比单一理化参数有更好的应用潜力,BP-ANN长势遥感监测模型模拟PCCP精度较高,在测试集中决定系数为0.830,均方根误差为0.080;研究区冬小麦总体长势稳定且分布集中,呈现"中部差,南北好"的空间分布特征。因此,构建作物理化复合参数用于量化作物长势是提高长势监测可靠性和准确性的一种有效方式,可为冬小麦田间管理提供科学依据,服务于发展智慧农业和建设农业强国的战略需求。

基于神经网络的混杂SiC颗粒增强铝基复合材料力学性能预测

目的提高混杂SiC颗粒增强铝基复合材料的韧性,利用卷积神经网络预测其力学性能,以得到力学性能关键因素的影响规律。方法首先,通过实验得到了铝基复合材料的力学性能数据。其次,基于相场裂纹扩展本构,采用Python代码批量生成了不同构型参数的代表性体积单元,并利用Abaqus软件进行了有限元仿真(FEM)。通过代码实现了建模与仿真的一体化构建,利用得到的仿真数据,建立了神经网络模型,并实现了对复合材料力学性能的预测。建模前,对数据进行预处理和筛选,以提高数据质量并降低模型复杂度。最后,建立卷积神经网络,并优化模型的超参数。结果通过建立的神经网络模型,实现了对复合材料力学性能的有效预测。极限强度的预测误差保持在−7%~8.5%,能耗的预测误差保持在−5%~6%,预测精度较高。结论通过结合实验、仿真和卷积神经网络模型,可以更有效地预测混杂SiC颗粒增强铝基复合材料的力学性能,从而为材料设计和制备提供指导。

基于BP神经网络的木芯复合材料结构疲劳寿命预测

以不同试验条件下木芯复合材料结构的三点弯曲疲劳试验和四点弯曲疲劳试验的疲劳试验数据为样本,构建载荷等级疲劳寿命(S N)曲线模型和BP神经网络模型,并对试件疲劳寿命进行预测,同时利用BP神经网络对木芯复合材料结构疲劳寿命影响因素进行权重分析。结果表明:指数函数模型、幂函数模型、BP神经网络模型均可有效实现对木芯复合材料结构的疲劳寿命预测,其中BP神经网络模型的预测精度最高;载荷等级、均质化格构腹板面积比、跨高比对疲劳寿命的影响权重依次降低,合理设置格构腹板是提高木芯复合材料结构疲劳寿命的有效方法之一。

基于神经网络的复合材料层合板低速冲击损伤面积预测方法

目前,复合材料层合板在船舶领域得到广泛应用,但在其遭受低速冲击时,传统试验和有限元方法无法真实、有效地描绘实际损伤情况。为此,结合低速冲击实验结果和超声水浸扫描结果,建立了BPNN、CNN的等效冲击损伤预测模型,以快速预测复合材料层合板在冲击过程中的损伤情况。在使用试验样本数据模型进行训练后,其能够高效准确预测复合材料层合板损伤面积。该方法简单实用,可以推广使用。

基于人工神经网络的短纤维增强复合材料设计

为指导短纤维增强复合材料设计,提出一种基于人工神经网络的方法。首先,结合取向平均法和自洽假设建立数学模型,计算出不同体积分数下SFRCs的弹性性能;然后,建立2个不同的人工神经网络,将数学模型计算得到的数据集投入训练,由此可以由SFRCs的体积分数快速预测出弹性性能,也可以由已知的SFRCs的弹性性能反向推导出纤维的体积分数。与传统方法相比,该方法可以有效减少重复实验次数,降低成本与周期,对复合材料实验的设定有一定的参考意义。

构建范德华复合物分子间势能面的神经网络方法

本文提出了一种神经网络新方法用于构建范德华复合物的分子间势能面.该神经网络所使用的描述符分为两部分:径向部分表示单体的分子间伸缩振动,角度部分描述了分子间的相对取向.由于采用了束缚态计算中的对称性匹配转动基函数作为角度描述符,可以确保势能面具有正确的对称性.旋转基函数的数量可以由其中的角动量量子数最大值控制,并且可以通过限制量子数来描述刚性单体分子的对称性.本研究推导了五种范德华复合物的描述符,包括原子-线性、原子-非线性、线性-线性、线性-非线性和非线性-非线性分子复合物.利用该方法构建了两个范德华复合物的势能面:ArNaCl和N_(2)-OCS.拟合能量与从头计算能量之间的均方根误差值分别为0.11 cm^(-1)和0.26 cm^(-1),验证了该方法可以准确构建高精度范德华复合物势能面.

基于复合神经网络重构对象的永磁同步直线电机变参数型位移速度并行控制

针对永磁同步直线伺服电机(PMSLM)传统位移控制算法中控制器系数固定带来的控制精度不足等问题,提出一种基于复合神经网络重构对象的PMSLM变参数型位移速度并行控制策略。首先,利用动子位移、线速度的误差信息设计变参数并行控制器;其次,建立含有控制对象多维信息的复合径向基神经网络观测动子位移,并得到控制对象的偏导信息;再次,基于闭环稳定条件,以周期检索的误差与控制目标的比较结果为基础,构建完整的位移速度并行控制器参数更新策略;最后,实验结果表明,该文所提控制策略能实现不同给定位移的高精度控制,且具有控制不同对象参数的泛用性。

基于CNN-LSTM的复合神经网络在油田污水系统故障诊断中的应用

为提高油田污水系统故障诊断的智能化水平和准确性,利用卷积神经网络以及长短期记忆网络构建复合神经网络,并采用Adam与随机梯度下降法对结构进行优化,使模型收敛速度以及故障诊断精度得到提升。通过相关实验研究结果表明,采用的优化算法使模型准确度提升至0.87左右,模型诊断损失率降至0.032左右;复合神经网络结构的平均检测精度达到0.888,准确值达到0.883,召回率达到0.789。将复合神经网络应用于油田污水系统故障诊断中,使油田污水系统实现智能故障检测,并能降低经济成本,益于智慧油田建设。

基于神经网络的复合材料光学显微图像孔隙的识别与统计研究

针对复合材料孔隙含量的光学显微图像法统计过程中出现的统计试样多、统计周期长、人工统计结果存在差异等问题,将计算机图像处理技术与神经网络算法相结合,基于复合材料孔隙人工统计方法形成计算机识别与统计算法,利用大量光学显微图像数据样本的标注与学习结果,开发了基于图像处理技术和深度学习网络技术的复合材料孔隙含量识别与统计系统。同时,为使该系统的适用性更强,开发了有监督的数据更新模块。在复合材料孔隙统计中的试验结果表明,与传统人工统计方法相比,深度学习网络算法能够更好地识别孔隙特征,孔隙统计结果的相对误差小于±10%;并在较大规模数据试验中取得了更好的效果,极大地减少了传统人工统计过程中的诸多弊端,优势更强。

基于卷积神经网络的船舶复合接头焊接损伤识别

提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的船舶复合接头焊接损伤识别方法。采用Ansys软件对焊接过程进行模拟,考虑5种不同损伤位置和损伤程度的模拟工况,采集不同工况条件下复合接头的应变响应数据。构建一维CNN,将数据分为训练集和测试集放入神经网络中进行训练和测试,验证该方法对复合接头焊接过程中不同损伤位置和损伤程度进行识别的适用性。结果表明,该方法在结构焊接损伤检测方面具有良好的检测性能。