一、Applying BP neural network to detect conveyor belt fire with multi-sensors(论文文献综述)
王金凤[1](2021)在《基于多信息融合的带式输送机故障诊断研究》文中研究说明带式输送机在港口煤炭转运过程中扮演着极为重要的角色,带式输送机长期处于高负载的连续运输状态,经常出现托辊卡死、皮带撕裂、滚筒损坏等故障。目前,主要采用单一传感器检测带式输送机的故障信息,而单一传感器在信息采集过程中存在模糊性、不全面性和精确性低等问题。针对这一问题,本文选择采用多传感器信息融合技术进行带式输送机故障诊断研究。论文的主要研究内容如下:通过分析带式输送机的常见故障,选用声音传感器和红外热成像仪两种类型的传感器,对实际运行情况下的带式输送机进行信息采集。根据采集到的声音信号和红外图像的特点,设计了一款基于多信息融合的带式输送机故障诊断系统,采用Lab VIEW软件接收和处理信息,利用Lab VIEW调用MATLAB编程软件的方式,实现多源故障信息的处理。以现场采集的带式输送机不同运行状态的声音信号和红外图像作为分析基础。由于采集到的声音信号中会含有大小不一的噪声,采用操作简单、效果理想的能熵比改进Boll谱减法对声音信号进行降噪处理。随后选择小波包分解算法对降噪后的声音信号进行能量谱分析,并以各子频带的能量作为检测特征向量。针对红外图像在成像和传输过程中会被噪声污染的问题,通过分析传统中值滤波和自适应中值滤波的不足之处,选择了一种改进均值的自适应滤波算法对红外图像进行降噪处理。其次对降噪后的红外图像进行目标分割,根据带式输送机红外图像的特点,提出了显着区域目标分割法与边缘检测算法相结合的目标分割算法,有效地将带式输送机的故障部位轮廓分割出来。为满足故障诊断系统对实时性要求,采用计算量少的Hu不变矩提取故障区域的形状特征,并以Hu矩构建的七个不变矩作为检测特征向量。采用VNWOA-BP神经网络与改进的D-S证据伦理相结合的方式构建带式输送机信息融合故障诊断模型。针对BP神经网络的局限性,提出冯诺依曼鲸鱼算法进行BP神经网络的优化,建立VNWOA-BP神经网络模型,对带式输送机进行故障诊断,通过分析实验结果,验证VNWOA-BP神经网络对故障诊断方式的有效性。针对传统D-S证据理论合成规则的不足之处,采用邓勇合成规则改进D-S证据理论,通过对VNWOA-BP神经网络的输出向量进行决策层融合实验。获得带式输送机故障诊断的最终结果。分析实验结果可知,多信息融合故障诊断模型可有效提高故障诊断的准确率,增强了故障诊断系统的可靠性。根据以上研究,对带式输送机故障诊断系统流程进行梳理,通过对带式输送机故障诊断实例的分析可知,多信息融合带式输送机故障诊断系统是有效可行的。
顾颉颖[2](2021)在《基于多源异构信息与深度学习的截齿磨损状态识别》文中进行了进一步梳理随着采掘机械向自动化、智能化的持续深入,机械故障智能化诊断技术至关重要。截齿是采掘过程中最重要的零件之一,截齿的严重磨损直接影响截割效率,增加生产成本,如何进行截齿磨损状态的有效识别是目前研究的热点问题,因此本文以截齿磨损状态为研究对象,引入深度学习网络为识别工具,在信号去噪、特征挖掘、跨维度多源异构信号融合、算法改进的识别模型等方面开展深入研究。截齿截割过程中蕴含着声发射信息的变化,构建了截齿截割实验台控制系统、SAEU3S声发射信号采集与分析系统,对煤岩试件进行一定比例的浇筑,同时根据截齿合金头的质量和尺寸差值定义截齿的磨损状态,分为四种不同磨损程度,分别为:新齿、轻微磨损、严重磨损、失效。构建基于SAEU3S声发射系统的信号采集、信号傅里叶变换及BP神经网络识别模型,为多源异构信号融合和深度学习识别模型提供大量声发射信号样本及对比数据。为了对声发射信号进行更好的滤波去噪,采用Daubechies 12对声发射信号进行小波包变换,利用三层小波包分解,得到分辨率高的重组信号,构建声发射信号特征数据库。构建基于自组织映射(SOM)神经网络的截齿磨损状态识别模型,经测试样本验证,识别准确率约为91%,为深度学习识别模型提供数据支持及识别效果对比数据。为了更好的挖掘图像有效信息,构建了FPV图传套装一体图像采集系统,并用Keyence VHX-5000超景深三维显微镜20倍镜头观察不同磨损程度截齿的表面形貌。利用3种小波去噪方法对图像进行处理,分别为:模极大值去噪法、小波系数相关去噪法、阈值去噪法,通过对比峰值信噪比(PSNR)、均方根误差(MSE)、归一化相关性(NC),得到不同去噪方法的优劣势。建立基于Mallat算法的小波包分解方法,对截齿图像进行单层及二层分解重构,通过对比原始图像和重构图像的灰度直方图和BP神经网络识别率,验证了经过二层分解重构后的图像效果增强,信噪比增加,识别率提高。针对光线不足或者目标物体与背景相差较小的问题,采用指数高通滤波和密度分割技术相结合的图像增强方法,消除照明不够引发的图像降质问题,较好的保护细节,同时提高了图像特征的对比度,通过Hough变换对截齿的边缘轮廓进行合理的提取,并进行适当的平滑处理,为图像识别提供一种合理的边缘提取方法。建立截齿图像运动模糊退化模型,建立基于Lucy-Richardson算法图像复原模型,利用信噪比(SNR)、PSNR、信噪比改善因子(ISNR)来评价退化图像滤波后的效果,证明了15次迭代的复原效果最佳,为多源信号融合和截齿状态识别提供特征明显的图像信息。针对声发射信号的时序性特征,建立基于长短期记忆网络(LSTM)的截齿磨损状态识别模型,经过收敛效果分析,设定LSTM识别模型的超参数,得出模型的识别率为93%,较小波包处理前信号识别率提高11.9%,证明小波包信号处理的合理性,同时证明了深度学习识别模型准确率更高,收敛速度更快。建立了基于卷积神经网络(CNN)的多源异构信号深度融合模型,对一维声发射信号和二维图像分别进行1D CNN和2D CNN两层卷积层和池化层操作,进行多源异构信息融合,建立基于Adam算法优化的LSTM深度识别模型,通过Adam学习率自适应算法最小化LSTM的目标函数误差,得出基于CNN-Adam-LSTM识别模型的平均识别率为97.5%,识别用时为2.3秒,大大加快了训练速度,减少识别用时,同时具有很高的泛化能力。通过对比分析得出,多源信号较单一信号的识别率平均提高3.85%,深层神经网络(LSTM)较浅层神经网络(BP、SOM)的识别率平均提高8%,验证了本文建立的截齿磨损识别模型的合理性。该论文有图105幅,表18个,参考文献159篇。
陈彦昆[3](2021)在《输送机带边破损智能检测关键技术的研究》文中研究指明带式输送机作为我国现代化生产运输的重要工具之一,在煤矿、化工和码头港口等众多行业得到广泛使用。输送带是带式输送机的重要组成部分,在使用过程中常见的破损形式是纵向撕裂和带边破损。目前,对输送带表面故障的研究大多为纵向撕裂,对带边破损的研究不足,因此本文对带边破损的检测定位、特征提取和识别进行了研究。对输送机带边的破损情况进行实时可靠的检测,及时采取相应有效的预防修补措施,对延长输送带使用寿命,保障生产安全和提高经济效益等方面有着重大意义。本文针对输送机带边破损的检测定位问题,提出了一种基于光电传感器、智能相机和RFID等多传感器集成的输送机带边破损检测系统。该系统利用光电传感器实时检测输送机带边。当检测到破损时,光电传感器发出信号并触发智能相机进行图像采集工作,捕获破损异常点,通过智能相机的图像处理单元对带边破损图像进行处理。以输送带转动一周的时间作为检测单周期,通过RFID模块中RFID标签记录的初始响应时刻和最终响应时刻,结合检测到破损的时刻和输送机运行速度,可计算出破损点相对于位置固定的读写器的距离,从而实现破损点的定位。本文针对采集的输送带表面破损图像,分析图像特征,提出了一种基于图像处理技术的带边破损特征提取和识别方法。首先,本文对常用的去噪算法进行了实验比较,对原有去噪算法进行改进,得到适合本文的去噪叠加算法,该算法首先利用中值滤波对破损图像进行去噪处理,再通过形态学开运算去除图像中的孤立孔洞和平滑边缘毛刺,得到最终的去噪图像,并利用自动阈值分割算法将破损从背景中分割出来。其次,利用灰度共生矩阵计算得到输送带图像的4种特征值,提取带边破损的纹理特征,从而建立相应的特征向量,将所得特征向量作为BP神经网络的输入向量,采用动量BP法对神经网络进行了改进,判断破损的真伪性。最后,建立像素坐标系计算得出水平方向与竖直方向的最大宽度,对不同形状和不同光照亮度条件下对特征提取算法的影响进行实验分析。实验证明,本文所研究的去噪、分割算法与破损几何特征提取算法具有很好的适应性,达到较高的精度,能够有效分割出破损区域,检测出破损区域的几何形状特征。本文所研究的输送机带边破损检测关键技术,借助多传感器集成技术实现输送带运输过程中带边破损的检测定位、实时化监控。利用图像处理技术,可以让工作人员根据图像信息对破损程度进行诊断和评估,并对可能造成的后果作出及时的判断和修补措施,为工作人员提供可靠有效的决策信息,及时了解安全隐患,降低事故风险,提升安全生产效率。
佟哲[4](2020)在《矿用带式输送机托辊远程故障诊断方法研究》文中研究表明托辊作为在矿业生产中具有枢纽位置的矿用带式输送机的核心部件,其发挥着支撑传输带和降低传输阻力等重要作用。作为矿用带式输送机关键的旋转机构,托辊在连续高负荷的运转后难免发生相应的机械故障。托辊发生故障后产生的皮带撕裂及皮带燃烧将直接影响矿用带式输送机的正常连续运输,而其故障引起的链式反映会对整个煤矿开采带来安全威胁。长距离的运输、庞大数量的托辊以及恶劣的工况使得日常巡检和定期维护不仅浪费大量的人力和物力,而且存在增加已经严重退化部件超期服役的风险。因此,需要对矿用带式输送机托辊进行远程故障诊断,通过信号处理方式分析监测参数及时诊断出是否出现故障,从而合理的安排检修活动,降低时间、人力及物力成本,确保矿用带式输送机运行的可靠性和安全性。本课题来源于国家自然科学基金项目“基于多时间尺度模型的变工况大型旋转机械健康管理研究”(项目编号:51475455),以矿用带式输送机托辊为研究对象,结合测量技术、信号处理技术、特征提取算法以及模式识别方法,开展基于振动信号的量化误码特性、多数据流传输策略和故障模式识别方法的研究,以期形成基于振动信号分析的矿用带式输送机托辊远程故障诊断技术,为矿用带式输送机的安全运行提供理论支撑和技术解决方案。主要研究内容包括:(1)根据托辊故障信号特点,在分析均匀量化机理基础上,利用傅里叶变换方法,建立了托辊故障信号量化误差模型,涉及的指标包括量化误差及量化误差平方、量化误差一阶矩及二阶矩、量化误差功率谱及理论量化信噪比;基于二进制编码及吉尔伯特-艾略特误码原理,构建了托辊故障信号误码模型,涉及指标包括误码编码一阶矩和误码误差一阶矩;揭示了量化误差和误码误差对故障信号的影响,为量化和误码存在下的故障振动信号分析提供了理论基础。(2)针对矿用带式输送机托辊远程故障诊断中涉及的多传感器采集数据传输问题进行了研究。在分析多传感器故障敏感性差异基础上,提出了无丢包条件下基于优先级的多数据流传输策略;在分析了丢包对故障信号频谱影响的基础上,提出了基于丢包干扰激励的重传机制;解决了远程故障诊断中如何传输多传感器采集数据问题,降低了远程诊断成本,提高了远程诊断效率。(3)在分析托辊数据变工况条件下域间特征分布差异的基础上,受迁移学习的启发,提出了基于领域适配可迁移特征的变工况诊断方法和基于领域适配迁移学习的变工况故障诊断方法,利用提取的可迁移特征和域不变可迁移特征降低了托辊故障数据域间分布差异,提高了诊断模型泛化能力,改善了变工况故障诊断性能。(4)搭建了矿用带式输送机托辊实验平台,包括托辊故障模拟实验台及矿用带式输送机模拟故障实验台。然后,利用上述实验台托辊真实数据对前文所述的远程故障诊断方法有效性进行验证和评估。大量实验结果表明:提出的远程故障诊断方法可实现矿用带式输送机托辊远程故障诊断。论文最后对全文工作进行了总结,并对课题未来研究方向进行了展望。该论文有图130幅,表41个,参考文献217篇。
周子超[5](2020)在《基于神经网络算法的除泡机伺服控制系统研究》文中研究表明进入20世纪,现代工业的发展促进了LCD行业的飞速进步,以液晶为代表的制造设备的牵引性需求越来越急迫。除泡机则是LCD制造工艺现场中间工序的关键步程之一。除泡机先将玻璃通过上料放置在加热装置上,给腔体充气,给玻璃外层加温的目的是使紧贴层薄膜软化,此时在其表面施加适当的力,能够将贴合中的微小气泡去除,提升其紧贴效能。LCD显示器的制造工艺充满了比较未知多变的非线性过程控制,每个控制的流程需要进行非常精确的参数调节,否则就会导致大量的废品出现。现代制造产业的发展,使得制造控制过程也要随需求的提高而提升自身的技术水平。20世纪50年代开始,除泡设备为外加热式,单罐手动设备,之后改为内加热式,这样加热速率快,减少能耗。近年来随着自动除泡机的发展,经过多代的变迁改进,目前自动除泡设备分为:一种是罐体式,一种是抽屉式。自动除泡机面向大尺寸手机屏,高节拍方向发展。伺服控制系统作为潜在智能制造的电气系统核心关键部件,被应用在工业领域液晶生产行业的控制系统。而目前国内伺服控制系统通常选型简单的PID控制模式,此类控制模式虽然有其价格便宜、操作简单等优点,但其需要人工干预、耗费时间调节合适的参数,这对液晶生产设备的智能制造的发展有着很大的局限性,而同时这种简单的PID传统控制算法又难以适应液晶生产过程中对除泡机更高速度和精确控制的要求,鉴于以上,本文提出基于神经网络的除泡机伺服控制系统来解决以上问题。本文在阐述除泡工艺的基础上,详细阐述了全自动除泡设备的工作原理,进行了数学模型和算法的软、硬件设计,提出了神经网络控制算法建模和仿真,在建模和仿真的基础上,进行实际现场实验测试。通过仿真和实际现场实践结果表明,除泡机结合神经网络算法的伺服控制系统响应速度快、控制精确、抗抗扰能力强等优势,更符合现代化智能制造的需求,节约了人力资本,使得LCD生产控制中满足各种型号的液晶玻璃的需求,贴合LCD产品的型号化智能制造。因此,本课题对未来液晶设备的伺服生产控制的发展提供探索依据,同时为中国智能制造发展提高技术支撑。
修晓波[6](2020)在《基于模糊自适应神经网络的链篦机鼓风干燥段温度场控制研究》文中研究表明钢铁工业主要采用抗压强度高、质量分布均匀的球团矿料。链篦机是球团干燥脱水和预热氧化的重要热工设备,球团干燥预热的效果主要受链篦机内部温度场的影响。链篦机内温度场具有大时滞、非线性、多场耦合、影响因素复杂的特性,难以实现实时且精准的控制。本文以链篦机鼓风干燥段温度场为研究对象,探索链篦机鼓风干燥段温度场的均衡稳定的控制方法。本文的主要内容与研究成果包括:1.依据传热学相关理论与神经网络系统辨识理论,建立了链篦机鼓风干燥段系统输入输出之间的“灰盒”模型。通过传热学、计算流体动力学等相关理论,建立链篦机鼓风干燥段的球团料层温度和气体温度空间分布机理模型。综合考虑了链篦机鼓风干燥段温度场建模中多因素,提出了一种基于BP神经网络的“灰盒”系统辨识方法,将机理模型与神经网络相结合,给出了为控制系统提供输入输出参考的系统辨识模型。2.研究了一种结构及参数可在线调整的模糊自适应神经网络控制策略。根据已建立的“灰盒”系统辨识模型的输入输出条件,设计链篦机鼓风干燥段温度场的多输入多输出模糊自适应神经网络控制器。确定了可变参数的高斯隶属度函数和模糊规则数可在线调整的模糊自适应神经网络结构。给出了模糊自适应神经网络修改隶属度函数参数及模糊规则数量的学习算法。3.采用数值模拟方法证实了链篦机鼓风干燥段温度场输入输出“灰盒”辨识模型有效性以及模糊自适应神经网络控制的跟踪效果。编写MATLAB的“灰盒”辨识模型,考虑其输入条件为链篦机鼓风干燥段入口气流温度、入口气体流速、采样时间、机理模型下的输出温度值;其输出为多个不同温度测量点的温度期望值。数值模拟结果表明,采用“灰盒”系统辨识模型精度可以达到95%以上。参考“灰盒”模型的输入输出条件,编写链篦机鼓风干燥段模糊自适应神经网络控制程序,确定了模糊自适应神经网络的高斯隶属度函数中心分别为-1和1,宽度为0.8493,模糊规则数为4。数值模拟结果显示,篦床下部空间温度控制跟踪曲线在20s左右与理论温度曲线重合,其控制稳态误差小于3%。球团料层上部烟罩温度场的温度控制跟踪曲线约在300s左右与理论曲线重合,控制误差逐渐减小,且保持在8%以内。4.利用多物理场耦合过程试验装置对模糊自适应神经网络控制方法进行试验验证。采用遗传算法对温度传感器的布置位置和数量进行优化,确定了21个温度场测量传感器及其最佳布点,使用MATLAB与LabVIEW混合编制模糊自适应神经网络控制的软件程序。试验结果表明模糊自适应神经网络控制温度场测试点在270s左右达到稳定,误差在10%以内,稳定后局部的最高温差为3℃,与该位置的期望输出相对误差为5.45%,满足控制精度要求。本文的研究成果为链篦机鼓风干燥段温度场控制提供了理论参考依据,对提高球团干燥质量和能源利用效率具有参考价值。
王启祥[7](2020)在《基于深度学习的轴承外圈表面缺陷分类关键技术研究》文中提出轴承作为旋转机械的重要零件,由于某些生产工艺存在一定的不确定性,其外圈表面可能会存在划痕、磕碰等缺陷,缺陷轴承对机器运行的稳定性和机器寿命有着重要影响,轴承在出厂前都会进行品质检验分类,目前主要是采用人工抽检,这种方式费时费力且不能全部检测。近些年发展的机器视觉技术具有快速、稳定、准确、无损检测等优点,很适合应用在流水生产线上对轴承缺陷进行检测。结合目前深度学习技术的蓬勃发展及其在特征分类上的优秀表现,本文设计了一套轴承外圈表面图像采集装置和基于深度学习的轴承表面缺陷分类算法,具体研究内容包括以下几个方面:(1)完成图像采集装置的设计,通过分析待检测轴承结构特点以及检测需求,完成轴承传动带、检测台、机械手及其内部电路的设计,完成相机、光源等器件的选型,根据装置图像采集流程,分析各个器件运动规律,设计装置动作控制程序。(2)基于深度学习技术以及自编码器理论,设计改进的卷积自动编码器,完成样本数据的降维;设计分类网络,根据自编码器降维后的特征完成缺陷的分类。通过调整网络权重参数以及训练时的超参数,优化神经网络模型性能,分析自编码器输出维数、批尺寸、Dropout等参数对分类网络性能的影响。对比传统降维方法PCA(Principal Components Analysis)的降维效果,自编码器能够更有效的提取有助于提高分类准确度的那些特征;对比传统分类方法SVM(Support Vector Machine)的分类效果,本文所设计的分类器分类准确度更高,泛化能力更强。(3)基于迁移学习理论,设计基于经典特征提取网络InceptionV3的轴承缺陷分类网络,研究在小样本情况下,迁移学习在轴承缺陷分类问题上的适用性。通过实验发现,网络能够有效提取缺陷特征,并取得不错分类准确率。(4)对比了自编码分类网络和基于迁移学习分类网络硬件资源消耗情况和分类所需时间,在系统实时分类要求下,自编码分类网络更有优势,更适合工厂复杂环境。
孔令帅[8](2020)在《基于MES的按压泵智能生产线的设计与研究》文中进行了进一步梳理目前我国制造业面临着生产设备落后、制造成本高、质量低、生产工艺粗糙、企业自主创新能力不足等一系列问题。制造执行系统(MES)作为实现企业信息化与工业化的产物,是实现工厂智能化的一种可行性方案,并在“中国制造2025”及德国“工业4.0”等政策的驱动之下得到了快速的发展。本文以面向离散型制造业MES中的主要功能为研究对象,对相关技术与理论展开分析与研究。实现车间设备的万物互联,是企业走向工厂智能化的第一步,本文通过分析离散型制造业车间在布线过程中常会出现的问题,基于OPC、Socket、Arduino等技术并使用WIFI串口服务器的方式实现了设备与MES的无线连接,合理解决了离散车间布线困难的问题,为企业实现智能化生产奠定了基础。产品质量的预测长久以来是企业最为关注的话题之一,因此在MES的设计过程中,将产品质量预测模块作为MES的核心模块之一进行研究与开发。BP神经网络在预测领域较为成熟,但也有着学习收敛速度慢、无法保证收敛达到全局最小点等缺陷。本文将GA-BP神经网络为按压泵质量预测模块的核心算法,通过遗传算法优化BP神经网络算法的权值和阈值,最后基于按压泵生产车间的实际数据进行产品质量预测,验证MES该模块在按压泵生产车间的可行性。按压泵生产车间目前的调度方式为传统的人工调度,该方法在订单需求量大或出现其他意外状况时,总是会无法高效的完成任务。本文将遗传算法作为按压泵生产车间调度模块的核心算法,并基于算法易早熟、局部收敛慢的缺陷,采取适应度值标定以及自适应交叉、变异设计等操作进行算法优化,最后基于按压泵生产车间的实际数据进行调度实验,证明MES该模块在按压泵生产车间的可行性。基于上述理论方案,本设计使用Visual Studio 2017作为该MES的核心开发软件,Sql Server 2017为MES的数据库,Matlab 2017为计算工具,设计并开发了一款C/S架构的MES。通过实际测试,验证了该MES可满足企业需求,有效的提高了按压泵生产车间的管理水平与生产效率。
卿宗胜[9](2020)在《球磨机振动信号特征提取与负荷建模方法研究》文中指出球磨机作为开发利用矿石资源的关键设备,其筒内负荷变化情况直接影响整个磨矿工业的生产安全和磨矿效率。由于球磨机封闭连续旋转的复杂运行环境,造成磨矿过程中的球磨机负荷难以具体描述。开展球磨机负荷检测方法研究,准确判别球磨机负荷状态,可为球磨机的优化控制和提高磨矿效率提供准确、可靠判据。本文以工业现场湿式球磨机为主要研究对象,开展球磨机振动信号特征提取与负荷建模方法研究,以实现对球磨机负荷状态的准确判别,主要研究内容如下:首先对球磨机负荷检测研究的社会意义和经济价值进行介绍,阐述球磨机负荷检测方法的国内外研究现状,总结常见球磨机振动信号特征提取方法,归纳现有融合多源信号的磨机负荷建模方法的优点和不足。研究磨矿生产流程和湿式球磨机工作原理,根据工业实际情况,将球磨机负荷状态划分为欠负荷、正常负荷、过负荷三种状态。深入分析球磨机筒体振动机理,并对筒体振动信号与磨机负荷做相关性分析。研究影响磨机负荷变化的主要因素,选取给矿量、给水量、等7个磨矿过程参数作为构建负荷检测模型的输入参数。针对球磨机筒体振动信号负荷特征难以准确提取的问题,提出一种基于自适应VMD和改进功率谱估计的特征提取方法。该方法依据筒体振动信号生成原理,利用EMD的分解自适应性结合峰度参数对冲击量的敏感性,自适应确定VMD的模态数;采用数据延拓对自相关函数进行改进,有效避免自相关函数随着时延增大导致波形幅值衰减问题,引入Nuttall自卷积窗结合能量重心法提取振动信号模态分量的功率谱最大值对应频率作为负荷特征。应用工业实测数据进行实验,结果表明所提方法相比于EMD方法有更高的磨机负荷识别准确度,且自适应VMD相比于原VMD方法,具有更快的信号分解速度和负荷识别准确率。针对球磨机封闭、连续旋转的复杂运行环境,导致基于单一信号的球磨机负荷检测可靠性不高的问题,采用磨矿过程参数结合筒体振动信号特征构建多源特征,建立基于GA-BP神经网络球磨机负荷识别模型,以实现球磨机负荷状态的准确、可靠判别。工业实测数据实验结果表明,本文应用基于GA-BP神经网络建立球磨机负荷识别模型,相比未经优化的BP神经网络迭代速度更快且具有高的负荷识别率,并且将磨矿过程参数与振动特征构成的多源特征建立负荷识别模型相比单振动特征负荷识别模型,能更准确的对负荷状态进行判别。最后基于本文所提的振动信号特征提取与负荷建模算法,开发基于Lab VIEW的球磨机负荷检测系统,详细阐述整个系统的架构,编程实现振动信号数据采集、特征提取、负荷检测、数据存储等功能,并应用工业实测数据完成负荷检测系统的测试实验,验证本文方法的准确性和有效性。
陈羽立[10](2021)在《基于机器视觉的鸡蛋分拣系统的研究》文中提出随着机器视觉技术和机器学习技术的发展,基于机器视觉的自动检测及分拣任务被愈来愈多地应用于农业领域中。为解决在鸡蛋初加工生产线中,传统的人工分拣方式所导致的效率和准确率较低的问题,提出了一种基于机器视觉的鸡蛋分类方法和鸡蛋破损程度评价方法,通过研究与对比,证明该方法可实现对外壳含裂纹鸡蛋的快速且准确的检测,从而完成分拣。首先,根据鸡蛋分拣系统的功能需求对系统进行了整体方案设计,将系统划分为了:视觉检测模块、传送模块、分拣模块和通讯模块;并基于鸡蛋初加工生产线的已有硬件基础,对各个模块的硬件进行了初步选型与说明,同时也阐述了软件部分的开发环境。在此基础上,重点阐述了可实现鸡蛋外壳图像在线采集的方案,对相机、镜头型号,光源类型进行了选型,完成了数据集的采集与标注,并设计了一套鸡蛋图像处理流程,实现了数据集图像中裂纹区域的分割。其次,为实现裂纹蛋和完好蛋的分类,分别提出了基于SVM的鸡蛋图像分类方法和基于改进CNN的图像分类方法,并作对比研究:对图像处理结果进行特征提取后,输入SVM进行训练并对超参数进行调优得到了基于SVM的鸡蛋图像分类模型,综合准确率达93.0%;提出一种基于改进CNN的鸡蛋图像分类算法,该算法针对CNN中普通卷积计算量较大的问题,使用深度可分离卷积替代传统卷积层,减少了单次预测的计算量和耗时,经训练和调优后,综合准确率达97.3%,优于基于SVM的分类方法。最后,根据图像采集方案和图像分类模型,阐述了基于图像分类方法来实现鸡蛋裂纹检测与分拣的逻辑思路,基于多幅图像的分类结果对逐枚鸡蛋进行综合判定,并提取判定结果为裂纹蛋的相关信息,进行鸡蛋破损程度评价后,统计后输出于根据厂内要求而设计的GUI界面中。
二、Applying BP neural network to detect conveyor belt fire with multi-sensors(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Applying BP neural network to detect conveyor belt fire with multi-sensors(论文提纲范文)
(1)基于多信息融合的带式输送机故障诊断研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 信息融合故障诊断技术国内外研究现状 |
1.3 本文主要内容 |
第2章 带式输送机故障诊断方案设计 |
2.1 带式输送机常见故障分析 |
2.2 系统总体框架设计 |
2.3 硬件装置选择 |
2.4 软件系统设计 |
2.5 本章小结 |
第3章 带输送机声音信号信息处理 |
3.1 基于改进的谱减法声音信号降噪处理 |
3.1.1 基本谱减法 |
3.1.2 Boll改进的谱减法 |
3.1.3 Boll谱减法的改进 |
3.1.4 实验的结果与分析 |
3.2 基于小波包分解的声音信号特征提取 |
3.2.1 小波包基本理论 |
3.2.2 故障特征提取中的小波基选择 |
3.2.3 小波包分解流程 |
3.2.4 实验结果与分析 |
3.3 本章小结 |
第4章 带式输送机红外图像信息处理 |
4.1 红外图像降噪 |
4.1.1 红外图像特点及噪声分析 |
4.1.2 中值滤波 |
4.1.3 自适应中值滤波 |
4.1.4 改进均值的自适应中值滤波算法 |
4.1.5 实验结果与分析 |
4.2 红外图像分割 |
4.2.1 区域显着目标分割 |
4.2.2 边缘检测 |
4.2.3 实验结果与分析 |
4.3 基于Hu矩的图像形状特征提取 |
4.3.1 矩的定义 |
4.3.2 矩的物理意义 |
4.3.3 实验结果与分析 |
4.4 本章小结 |
第5章 基于BP神经网络的带式输送机故障诊断研究 |
5.1 BP神经网络 |
5.1.1 BP神经网络算法介绍 |
5.1.2 BP神经网络的算法流程 |
5.1.3 BP神经网络的局限性 |
5.2 基于改进的鲸鱼算法优化BP神经网络 |
5.2.1 标准鲸鱼算法 |
5.2.2 冯诺依曼鲸鱼算法 |
5.2.3 VNWOA性能评估 |
5.2.4 基于VNWOA优化的BP神经网络 |
5.3 BP神经网络故障诊断实验 |
5.3.1 BP神经网络模型的建立 |
5.3.2 声音信号故障诊断实验 |
5.3.3 红外图像故障诊断实验 |
5.4 本章小结 |
第6章 基于信息融合的带式输送机故障诊断研究 |
6.1 D-S证据理论 |
6.1.1 D-S证据理论基本概念 |
6.1.2 D-S证据理论决策规则 |
6.2 D-S证据理论问题与改进 |
6.3 信息融合故障诊断实验 |
6.3.1 基本概率赋值 |
6.3.2 实验结果与分析 |
6.4 带式输送机故障诊断实例 |
6.4.1 故障诊断系统流程 |
6.4.2 故障等级划分 |
6.4.3 故障诊断实验结果与分析 |
6.5 本章小结 |
第7章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
在读期间发表的学术论文及研究成果 |
致谢 |
(2)基于多源异构信息与深度学习的截齿磨损状态识别(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 主要研究内容 |
1.4 技术路线 |
1.5 本章小结 |
2 基于SAEU3S声发射信号系统的截齿磨损状态识别 |
2.1 截齿截割实验台与数据采集分析系统 |
2.2 煤岩试件制备及截齿磨损状态标定 |
2.3 基于SAEU3S系统的声发射信号分析及识别 |
2.4 本章小结 |
3 基于小波包变换与SOM神经网络的状态识别 |
3.1 声发射信号去噪方法分析 |
3.2 声发射信号三层小波包分解与重构 |
3.3 基于SOM神经网络的截齿磨损状态识别 |
3.4 本章小结 |
4 基于图像处理与BP神经网络的截齿磨损状态研究 |
4.1 图像去噪机理及去噪方法分析 |
4.2 不同磨损程度截齿的图像采集 |
4.3 不同去噪方法对图像的处理效果分析 |
4.4 基于图像处理与BP神经网络的磨损状态识别 |
4.5 截齿图像增强和边缘检测 |
4.6 基于运行模糊处理的图像还原 |
4.7 本章小结 |
5 基于小波包变换与长短期记忆网络的截齿磨损状态识别 |
5.1 循环神经网络深度学习模型 |
5.2 长短期记忆网络模型建立 |
5.3 基于长短期记忆网络的截齿磨损状态识别 |
5.4 本章小结 |
6 基于多源信息融合与Adam算法优化的深度学习识别模型 |
6.1 多源异构信息融合理论 |
6.2 基于卷积神经网络的截齿多源异构信息融合 |
6.3 基于Adam算法优化的CNN-LSTM截齿磨损状态识别 |
6.4 识别结果对比分析 |
6.5 本章小结 |
7 结论、创新点及展望 |
7.1 结论 |
7.2 创新点 |
7.3 展望 |
参考文献 |
查新结论 |
附录 1 |
作者简历 |
学位论文数据集 |
(3)输送机带边破损智能检测关键技术的研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 论文的主要内容 |
1.4 论文结构安排 |
第2章 输送机带边破损检测系统原理与构成 |
2.1 光电传感器 |
2.2 智能相机 |
2.3 无线射频技术 |
2.4 输送机带边破损检测系统的整体设计 |
第3章 输送带图像去噪与分割算法的研究 |
3.1 输送带图像的预处理 |
3.1.1 输送带图像的滤波算法 |
3.1.2 实验及结果分析 |
3.2 输送带图像的分割算法 |
3.2.1 图像分割算法 |
3.2.2 破损图像分割算法 |
3.2.3 实验及结果分析 |
第4章 输送带图像带边破损识别的研究 |
4.1 灰度共生矩阵 |
4.1.1 灰度共生矩阵的概述 |
4.1.2 基于灰度共生矩阵的特征统计量 |
4.2 BP神经网络 |
4.2.1 BP神经网络的结构 |
4.2.2 BP神经网络算法 |
4.3 基于BP神经网络的带边破损识别 |
4.3.1 基于灰度共生矩阵的输送带图像纹理特征提取 |
4.3.2 BP神经网络带边破损识别建模 |
4.3.3 BP神经网络算法的改进 |
4.3.4 BP神经网络训练与测试实验 |
第5章 输送带图像破损的几何特征提取 |
5.1 破损的几何特征提取 |
5.2 几何特征参数实验及结果分析 |
5.2.1 不同破损形状的几何特征提取实验 |
5.2.2 不同光照亮度的几何特征提取实验 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(4)矿用带式输送机托辊远程故障诊断方法研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 课题来源 |
1.2 选题背景及意义 |
1.3 国内外研究现状 |
1.4 研究的内容及目标 |
1.5 技术路线与总体框架 |
1.6 本章小结 |
2 故障信号量化及误码特性分析 |
2.1 引言 |
2.2 故障信号量化特性分析 |
2.3 故障信号误码特性分析 |
2.4 实验验证与分析 |
2.5 本章小结 |
3 基于数据包状态的多数据流传输策略 |
3.1 引言 |
3.2 基于优先级的多数据流传输策略 |
3.3 基于丢包干扰激励的重传机制 |
3.4 实验验证与分析 |
3.5 本章小结 |
4 基于迁移学习的变工况诊断方法 |
4.1 引言 |
4.2 基于领域适配的可迁移特征提取 |
4.3 基于迁移学习的变工况托辊故障识别 |
4.4 实验验证与分析 |
4.5 本章小结 |
5 矿用带式输送机托辊远程故障诊断应用研究 |
5.1 引言 |
5.2 矿用带式输送机托辊故障实验平台 |
5.3 矿用带式输送机托辊远程故障诊断 |
5.4 本章小结 |
6 结论与展望 |
6.1 主要研究工作与结论 |
6.2 主要创新点 |
6.3 研究展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(5)基于神经网络算法的除泡机伺服控制系统研究(论文提纲范文)
中文摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景及其目的意义 |
1.2 伺服控制系统及除泡机工艺概述 |
1.3 智能算法在伺服控制系统中的应用 |
1.4 除泡机研究现状及发展趋势 |
1.5 本文主要研究内容及章节概述 |
第二章 除泡机伺服控制系统总体方案及数学建模 |
2.1 除泡机伺服控制系统工作原理 |
2.1.1 除泡设备的分类及结构 |
2.1.2 除泡机工作原理 |
2.2 除泡机伺服控制系统总体方案 |
2.2.1 除泡机系统功能及其指标 |
2.2.2 伺服控制系统工作腔体设计 |
2.2.3 伺服控制系统上料、下料机械手及周转设计 |
2.2.4 伺充气、排气系统设计 |
2.3 除泡机伺服控制系统数学模型 |
2.3.1 伺服控制系统工作原理 |
2.3.2 伺服系统数学建模建立 |
2.4 本章小结 |
第三章 除泡机伺服控制系统神经网络算法研究 |
3.1 PID及神经网络算法设计 |
3.1.1 PID控制算法 |
3.1.2 神经网络控制算法 |
3.1.3 BP-NN-PID 控制算法研究 |
3.2 伺服系统 BP-NN-PID 算法步骤及结构设计 |
3.2.1 伺服系统 BP-NN-PID 算法步骤 |
3.2.2 可编程控制器BP神经网络PID伺服控制结构设计 |
3.2.3 神经网络算法在可编程控制器实现上的设计 |
3.3 本章小结 |
第四章 除泡机伺服控制系统硬软件设计 |
4.1 除泡机伺服控制系统硬件设计 |
4.1.1 伺服控制系统核心处理器可编程控制器硬件设计 |
4.1.2 伺服控制系统反馈环节模块硬件设计 |
4.1.3 伺服控制系统执行机构模块硬件设计 |
4.1.4 伺服控制系统可编程控制器智能控制模块硬件设计 |
4.1.5 伺服控制系统可编程控制器其它辅助模块硬件设计 |
4.1.6 伺服控制系统可编程控制器PLC输入输出设计 |
4.2 除泡机伺服控制系统软件研究设计 |
4.2.1 软件总体流程设计 |
4.2.2 除泡机伺服控制系统上位机总体研究设计 |
4.2.3 伺服控制系统上位机主界面运行组态设计 |
4.2.4 伺服控制系统上位机手动控制运行组态设计 |
4.2.5 伺服控制系统上位机自动控制运行组态设计 |
4.2.6 伺服控制系统上位机参数设定运行组态设计 |
4.2.7 伺服控制系统上位机机器参数运行组态设计 |
4.2.8 伺服控制系统CIM运行组态设计 |
4.2.9 伺服控制系统报警提示运行组态设计 |
4.3 除泡机伺服控制系统下位机PLC程序设计 |
4.3.1 系统下位机架构设计 |
4.3.2 下位机软件开发环境概述 |
4.3.3 下位机主程序关键部分设计 |
4.3.4 腔体除泡程序关键部分设计 |
4.3.5 上、下料台程序关键部分设计 |
4.3.6 CIM程序关键部分设计 |
4.4 本章小结 |
第五章 系统仿真及调试实验研究 |
5.1 除泡机伺服控制系统的Matlab仿真 |
5.1.1 Matlab Simulink概述 |
5.1.2 除泡机伺服系统控制算法仿真及分析 |
5.2 神经网络PID伺服控制系统实验测试研究 |
5.2.1 调试目的 |
5.2.2 现场调试 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的学术论文及研究成果 |
附录1 |
附录2 |
(6)基于模糊自适应神经网络的链篦机鼓风干燥段温度场控制研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外相关研究现状 |
1.2.1 温度场检测的研究现状 |
1.2.2 链篦机温度场数学建模研究现状 |
1.2.3 链篦机温度场控制策略研究现状 |
1.3 研究意义 |
1.4 主要研究内容与技术路线 |
1.4.1 主要研究内容 |
1.4.2 研究技术路线 |
1.4.3 论文章节安排 |
第二章 链篦机鼓风干燥段温度场的数学建模 |
2.1 机理建模与实验建模方法 |
2.2 链篦机鼓风干燥段温度场的机理模型 |
2.2.1 鼓风干燥段球团料层温度场模型 |
2.2.2 鼓风干燥段气体温度场模型 |
2.3 链篦机鼓风干燥段温度场神经网络系统辨识模型 |
2.3.1 神经网络模型的结构 |
2.3.2 BP神经网络的训练 |
2.3.3 鼓风干燥段温度场神经网络系统辨识过程 |
2.4 链篦机鼓风干燥段温度场灰盒系统辨识模型 |
2.5 本章小结 |
第三章 链篦机鼓风干燥段温度场的控制策略 |
3.1 链篦机鼓风干燥段温度场控制目标 |
3.2 链篦机鼓风干燥段温度场的模糊控制 |
3.2.1 模糊控制基本原理 |
3.2.2 MIMO模糊控制器设计 |
3.3 链篦机鼓风干燥段温度场的模糊神经网络控制 |
3.3.1 模糊神经网络模型 |
3.3.2 鼓风干燥段温度场模糊神经网络控制 |
3.4 链篦机鼓风干燥段温度场的模糊自适应神经网络控制 |
3.4.1 模糊控制与模糊神经网络控制适应性分析 |
3.4.2 模糊自适应神经网络控制策略 |
3.4.3 模糊自适应神经网络的学习算法 |
3.5 本章小结 |
第四章 链篦机鼓风干燥段温度场控制的数值模拟 |
4.1 数值模拟平台 |
4.1.1 计算流体力学仿真软件Fluent |
4.1.2 算法仿真软件MATLAB |
4.2 链篦机鼓风干燥段温度场模型的数值模拟 |
4.2.1 鼓风干燥段温度场机理模型数值模拟 |
4.2.2 鼓风干燥段温度场动态响应辨识数值模拟 |
4.2.3 鼓风干燥段温度场灰盒系统辨识数值模拟 |
4.3 模糊自适应神经网络控制数值模拟 |
4.3.1 模糊自适应神经网络数据预处理 |
4.3.2 模糊自适应神经网络控制的数值模拟 |
4.4 本章小结 |
第五章 温度场模糊自适应神经网络控制试验与分析 |
5.1 温度场检测的多传感器布置优化 |
5.1.1 传感位置选点及布点优化理论 |
5.1.2 遗传算法求解多传感器布点 |
5.1.3 传感器布点位置分析 |
5.2 多物理场耦合过程试验装置设计 |
5.2.1 试验装置总体结构 |
5.2.2 热源及控制器选型 |
5.2.3 硬件线路连接及布局设计 |
5.3 多物理场耦合过程试验装置的软件设计 |
5.3.1 LabVIEW与 GX-Developer简介 |
5.3.2 模糊自适应神经网络控制软件设计 |
5.4 温度场控制试验与结果分析 |
5.4.1 灰盒模型系统辨识的试验与分析 |
5.4.2 模糊自适应神经网络动态响应的试验与分析 |
5.4.3 温度场模糊自适应神经网络控制的试验与分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 全文工作总结 |
6.2 创新点 |
6.3 研究展望 |
参考文献 |
致谢 |
攻读硕士学位期间取得的学术成果 |
(7)基于深度学习的轴承外圈表面缺陷分类关键技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 轴承表面缺陷分类研究现状 |
1.2.2 缺陷分类技术研究现状 |
1.2.3 基于深度学习的分类技术研究现状 |
1.3 论文研究内容与结构安排 |
第二章 轴承外圈图像采集系统设计 |
2.1 轴承结构及检测需求分析 |
2.1.1 轴承结构 |
2.1.2 检测需求分析 |
2.2 图像采集系统设计 |
2.2.1 控制系统组成 |
2.2.2 硬件结构布局 |
2.2.3 软件系统设计 |
2.3 系统关键器件参数的确定 |
2.3.1 图像采集设备 |
2.3.2 机械手 |
2.4 图像采集系统实物 |
2.5 本章小结 |
第三章 缺陷分析与预处理 |
3.1 缺陷类型分析 |
3.2 样本预处理 |
3.2.1 图像滤波 |
3.2.2 样本提取 |
3.2.3 直方图均衡化 |
3.3 数据增强处理 |
3.4 数据集划分 |
3.5 本章小结 |
第四章 基于深度学习的轴承缺陷分类算法设计 |
4.1 深度学习基础 |
4.1.1 深度学习概述 |
4.1.2 神经元 |
4.1.3 卷积神经网络 |
4.1.4 网络优化算法 |
4.2 自编码器 |
4.2.1 自编码器类型 |
4.2.2 面向轴承特征提取的自编码器 |
4.3 改进卷积自编码轴承缺陷分类网络设计 |
4.3.1 卷积自编码网络 |
4.3.2 分类网络 |
4.4 迁移学习在轴承缺陷分类中的应用 |
4.4.1 InceptionV3 网络 |
4.4.2 迁移学习网络结构设计 |
4.5 本章小结 |
第五章 研究结果与分析 |
5.1 环境配置 |
5.2 自编码分类网络训练与结果分析 |
5.2.1 自编码器训练结果分析 |
5.2.2 分类器训练结果分析 |
5.2.3 不同算法对比 |
5.3 迁移学习结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 本文工作总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
(8)基于MES的按压泵智能生产线的设计与研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究目的与意义 |
1.3 研究现状 |
1.3.1 MES研究现状 |
1.3.2 质量预测理论研究现状 |
1.3.3 生产调度理论研究现状 |
1.4 课题来源与论文框架 |
1.5 本章小结 |
第二章 MES系统与底层设备交互的相关技术概述 |
2.1 产品生产过程概述 |
2.2 生产车间底层设备的数据采集方法 |
2.3 基于WiFi串口服务器的无线通讯方法 |
2.3.1 WIFI串口服务器简介 |
2.3.2 基于WIFI串口服务器的无线通讯模块设计 |
2.4 基于OPC技术的PLC与 MES实时通讯的方法 |
2.4.1 车间生产信息分析 |
2.4.2 OPC协议简介 |
2.4.3 基于OPC技术的PLC与 MES的通讯模块设计 |
2.5 基于Socket技术的车间AGV小车控制方法 |
2.5.1 Socket概述 |
2.5.2 基于Sockte技术的AGV小车与MES的通讯模块设计 |
2.6 基于Arduino的多传感器集成方法 |
2.6.1 Arduino及传感器概述 |
2.6.2 基于Arduino的多传感器集成设计 |
2.7 本章小结 |
第三章 基于GA-BP的按压泵质量预测模块设计 |
3.1 按压泵质量问题概述 |
3.2 BP神经网络算法概述 |
3.3 基于遗传算法改进BP神经网络的方法 |
3.3.1 遗传算法概述 |
3.3.2 基于遗传算法的改进BP神经网络的操作方法 |
3.4 实验过程 |
3.4.1 训练数据的获取 |
3.4.2 数据预处理 |
3.4.3 实验结果及分析 |
3.5 本章小结 |
第四章 基于优化遗传算法的生产调度模块设计 |
4.1 按压泵结构与车间生产调度问题描述 |
4.2 车间生产调度问题描述 |
4.3 遗传算法及优化设计 |
4.3.1 编码与解码设计 |
4.3.2 多目标适应度函数设计 |
4.3.3 适应度值标定设计 |
4.3.4 轮盘赌选择设计 |
4.3.5 自适应交叉设计 |
4.3.6 自适应变异设计 |
4.4 优化遗传算法求解流程 |
4.5 实验结果分析 |
4.6 本章小结 |
第五章 MES功能的设计与实现 |
5.1 MES开发环境及相关技术 |
5.2 数据库设计概述 |
5.2.1 数据库设计标准 |
5.2.2 数据库设计流程概述 |
5.2.3 数据库设计与建模 |
5.2.4 基于EF Core实现数据库与对象的关系映射 |
5.3 C#与Matlab混合编程的实现方法 |
5.3.1 混合编程相关技术概述 |
5.3.2 混合编程流程 |
5.4 MES功能模块设计 |
5.4.1 用户管理模块 |
5.4.2 系统看板模块 |
5.4.3 设备管理模块 |
5.4.4 质量管理模块 |
5.4.5 生产调度模块 |
5.5 本章小结 |
总结与展望 |
参考文献 |
攻读学位期间发表的论文 |
致谢 |
(9)球磨机振动信号特征提取与负荷建模方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 本文研究背景与研究意义 |
1.2 球磨机负荷检测国内外研究现状 |
1.2.1 不同间接量的球磨机负荷检测方法研究现状 |
1.2.2 球磨机振动信号特征提取方法研究现状 |
1.2.3 融合多源信号的球磨机负荷建模方法研究现状 |
1.3 本文主要研究内容 |
第2章 球磨机工作原理与磨机负荷相关理论 |
2.1 磨矿工艺流程与球磨机工作原理 |
2.1.1 磨矿工艺流程 |
2.1.2 球磨机工作原理 |
2.2 磨机负荷状态划分 |
2.3 球磨机振动与磨机负荷相关性分析 |
2.3.1 球磨机振动信号机理分析 |
2.3.2 筒体振动信号与磨机负荷相关性分析 |
2.4 磨矿过程参数与磨机负荷相关性分析 |
2.4.1 球磨机入口参数与磨机负荷相关性分析 |
2.4.2 球磨机出口参数与磨机负荷相关性分析 |
2.4.3 磨机功率与磨机负荷相关性分析 |
2.5 本章小结 |
第3章 球磨机筒体振动信号特征提取方法研究 |
3.1 经验模态分解算法 |
3.2 变分模态分解算法 |
3.3 自适应变分模态分解算法 |
3.3.1 峰度参数选取IMF敏感分量规则 |
3.3.2 自适应VMD算法流程 |
3.3.3 仿真对比分析 |
3.4 改进功率谱估计 |
3.4.1 改进自相关函数 |
3.4.2 Nuttall自卷积窗能量重心法 |
3.5 球磨机筒体振动信号特征提取步骤 |
3.6 实例分析 |
3.7 本章小结 |
第4章 基于GA-BP神经网络的球磨机负荷建模 |
4.1 GA-BP神经网络 |
4.1.1 BP神经网络基本原理 |
4.1.2 遗传算法 |
4.1.3 遗传算法优化BP神经网络 |
4.2 基于GA-BP神经网络建立球磨机负荷识别模型 |
4.3 实例分析 |
4.4 本章小结 |
第5章 球磨机负荷检测系统设计 |
5.1 球磨机负荷检测系统架构 |
5.2 球磨机负荷检测系统软件设计 |
5.2.1 系统登录与系统菜单模块 |
5.2.2 振动信号特征提取模块 |
5.2.3 负荷检测模块 |
5.2.4 用户管理模块 |
5.2.5 数据记录与报表生成模块 |
5.3 工业实测数据系统功能测试 |
5.4 本章小结 |
结论 |
参考文献 |
致谢 |
附录A 攻读硕士学位期间获得的科研成果 |
附录B 攻读硕士学位期间主研的科研项目 |
(10)基于机器视觉的鸡蛋分拣系统的研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题来源 |
1.2 研究背景及意义 |
1.3 鸡蛋裂纹检测的发展现状 |
1.3.1 基于机器视觉方法 |
1.3.2 基于声学特性方法 |
1.3.3 机器视觉与声学特性结合检测方法 |
1.4 机器学习方法发展现状 |
1.5 研究内容及技术路线 |
1.5.1 研究内容 |
1.5.2 技术路线 |
1.6 本章小结 |
2 分拣系统整体方案设计 |
2.1 分拣系统总体概述 |
2.2 硬件初步选型 |
2.2.1 视觉检测模块 |
2.2.2 分拣模块 |
2.2.3 传送模块和通讯模块 |
2.3 分拣系统软件设计方案 |
2.3.1 开发环境 |
2.3.2 模块及分部设计 |
2.4 本章小结 |
3 鸡蛋外壳图像在线采集 |
3.1 采集总体方案 |
3.1.1 照明方式 |
3.1.2 相机布置 |
3.1.3 辊子转动方案 |
3.2 图像采集相关硬件的选型与设计 |
3.2.1 光源对比与选型 |
3.2.2 相机选型 |
3.2.3 镜头选型 |
3.2.4 最终方案 |
3.3 供试图像采集 |
3.3.1 定义标签 |
3.3.2 数据集划分 |
3.4 本章小结 |
4 鸡蛋图像处理 |
4.1 处理流程总体设计 |
4.2 鸡蛋图像处理流程实现 |
4.2.1 灰度化 |
4.2.2 中值滤波 |
4.2.3 阈值分割 |
4.2.4 边缘检测 |
4.2.5 形态学运算 |
4.3 鸡蛋图像处理结果分析 |
4.4 本章小结 |
5 鸡蛋图像分类 |
5.1 机器学习算法概述 |
5.1.1 机器学习算法类型 |
5.1.2 分类算法概述 |
5.1.3 分类模型的评价 |
5.2 基于SVM的鸡蛋图像分类 |
5.2.1 SVM模型构建流程 |
5.2.2 裂纹特征信息提取 |
5.2.3 构建特征向量 |
5.2.4 基于SVM的分类模型训练与调优 |
5.2.5 基于SVM分类模型的评价 |
5.3 基于改进CNN的鸡蛋图像分类 |
5.3.1 CNN模型构建流程 |
5.3.2 基于改进CNN的分类模型搭建 |
5.3.3 基于改进CNN的分类模型编写 |
5.3.4 基于改进CNN的分类模型训练与调优 |
5.3.5 基于改进CNN分类模型的评价 |
5.4 结果对比 |
5.5 本章小结 |
6 分拣实现与信息统计 |
6.1 鸡蛋分拣的实现路线 |
6.2 信息统计目的与要求 |
6.2.1 统计目的 |
6.2.2 统计要求 |
6.3 裂纹蛋的破损程度评价方法 |
6.3.1 鸡蛋图像处理 |
6.3.2 破损程度评价 |
6.4 系统GUI界面的实现 |
6.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表论文及科研成果 |
致谢 |
四、Applying BP neural network to detect conveyor belt fire with multi-sensors(论文参考文献)
- [1]基于多信息融合的带式输送机故障诊断研究[D]. 王金凤. 曲阜师范大学, 2021(02)
- [2]基于多源异构信息与深度学习的截齿磨损状态识别[D]. 顾颉颖. 辽宁工程技术大学, 2021
- [3]输送机带边破损智能检测关键技术的研究[D]. 陈彦昆. 上海师范大学, 2021(07)
- [4]矿用带式输送机托辊远程故障诊断方法研究[D]. 佟哲. 中国矿业大学, 2020(07)
- [5]基于神经网络算法的除泡机伺服控制系统研究[D]. 周子超. 太原理工大学, 2020(01)
- [6]基于模糊自适应神经网络的链篦机鼓风干燥段温度场控制研究[D]. 修晓波. 江苏大学, 2020(02)
- [7]基于深度学习的轴承外圈表面缺陷分类关键技术研究[D]. 王启祥. 电子科技大学, 2020(07)
- [8]基于MES的按压泵智能生产线的设计与研究[D]. 孔令帅. 广东工业大学, 2020(02)
- [9]球磨机振动信号特征提取与负荷建模方法研究[D]. 卿宗胜. 湖南大学, 2020(07)
- [10]基于机器视觉的鸡蛋分拣系统的研究[D]. 陈羽立. 成都大学, 2021(08)