基于卷积神经网络的钝体尾迹识别研究

针对相同特征长度不同钝体的尾迹结构相近,肉眼难于分辨的问题,提出了一种基于卷积神经网络的钝体尾迹识别方法,并在竖直肥皂膜水洞的典型钝体模型尾迹实验中获得高准确率验证.实验平台由自建竖直肥皂膜实验装置、钝体模型(方柱、圆柱和三角柱)及图像采集系统组成,可基于光学干涉法实现对不同速度下钝体肥皂膜尾迹的高清持续拍摄.所建立卷...     

卷积神经网络在流场重构研究中的进展

近年来, 随着深度学习在图像处理、语音识别、自动驾驶、自然语言处理等领域迅速发展, 该技术也被越来越广泛地应用于处理具有复杂非线性、高维度、大数据量等特点的流体力学方向. 传统的方法无法有效地处理这些庞大的数据, 深度学习因其具有强大的函数拟合能力, 可以从大量的数据中挖掘有用的信息. 当前, 流体力学深度学习技术有了初步的一些研究成果, 在流动信息特征提取、多源数据信息融合及流场的智能重构等方面具有重要的工程价值, 其应用潜力逐渐得到证实. 如何利用地面风洞试验、数值模拟及飞行试验获取的数据进行深入挖掘, 快速智能感知及重构流场, 可为主动流动控制提供重要指导. 本文主要从深度学习不同类型的网络结构出发探讨了卷积神经网络在流场重构中的研究进展, 文章首先介绍卷积神经网络的一些基本概念以及基本网络结构, 之后简要介绍流场超分辨率重构网络、端到端的映射网络、长短期记忆网络的基本结构与理论, 并详细归纳出他们的改进形式在流场重构领域的一系列研究进展与成果, 最后对文章做出总结并探讨了流场重构深度学习技术所面临的挑战与展望.      

基于Mask R-CNN网络的磨损颗粒智能识别与应用

针对设备磨损故障诊断中磨粒识别技术难度高、工作主观经验影响大等问题,采用深度学习技术开展了磨粒智能识别的研究,提出了基于Mask R-CNN卷积神经网络的磨粒数字化表征方法. 该方法利用迁移学习训练基于Mask R-CNN网络的磨粒识别模型对图像中磨粒进行识别和实例分割,然后使用Suzuki85算法、迭代算法、等比例计算方法计算出磨粒的真实尺寸,解决了磨粒分析中难定量分析的问题. 结果表明:基于Mask R-CNN网络(采用R-101-FPN骨干网络)训练的磨粒识别模型可以对图像中多个异常磨损颗粒进行识别,综合准确率和召回率达到当前图像识别领域的主流水平. 辅以上述Suzuki85等算法,成功实现磨粒图像的定量评价分析,对促进设备故障诊断技术的自动化发展和工业应用具有一定的实际应用价值.      

RBF神经网络及其在结构损伤识别中的应用研究

采用具有更好的仿生效果的径向基函数(RBF)网络对单处损伤结构及多处损伤结构的损伤程度、位置、区域、处数进行识别,网络学习方法选择了简单易行、精度高且运算速度快的正交最小二乘(OLS)法.通过实例对该方法进行了测试,并与BP网进行了比较.测试结果可验证:RBF网络及其OLS学习方法可以快速、有效、高精度地识别结构损伤状况.     

因子模糊化BP神经网络在磨粒识别中的应用

在引入磨粒形态学描述了提取磨损颗粒显微形态特征的基础上,用人工神经网络技术,编制了用于磨损颗粒自动识别的ＢＰ网络计算机模拟程序,应用所引入的因子模糊化训练法可使训练速度加快,以异或问题为例,速度可提高５～１０倍。用此网络对磨粒测试库进行识别实验发现,识别速度快且正常率在９０％以上,优于传统的磨粒识别方法。     

基于神经网络的偏微分方程求解方法研究综述

神经网络作为一种强大的信息处理工具在计算机视觉,生物医学,油气工程领域得到广泛应用,引发多领域技术变革.深度学习网络具有非常强的学习能力,不仅能发现物理规律,还能求解偏微分方程.近年来基于深度学习的偏微分方程求解已是研究新热点.遵循于传统偏微分方程解析解、偏微分方程数值解术语,本文称用神经网络进行偏微分方程求解的方法为...     

基于模糊聚类的铣削刀具磨损状态识别研究

依据刀具磨损主轴振动加速度信号所建立的自回归模型,提取了12个反映刀具磨损状态的特征参数,提出用模糊聚类模式识别铣削刀具磨损状态.试验结果表明:建立的刀具振动加速度时间序列信号自回归模型所提取的模型参数估计特征量,含有丰富的刀具磨损运行状态信息.在此基础上,利用模糊聚类分析相似尺度来衡量事物之间的亲疏程度,并以此来实现分类.研究结果表明:基于时间序列分析与模糊聚类分析相结合的刀具磨损状态识别方法,能有效识别铣削刀具磨损运行状态,选取置信水平λ=(0.65～0.79)时所得到的刀具磨损运行状态的识别结果更为准确;采用不同的相似系数计算方法所求得的模糊相似矩阵、自回归系数的阶数、置信水平λ的取值范围不同,识别正确率有所不同.     

基于经验小波变换和卷积神经网络的水泵水轮机无叶区流态特征提取及识别研究

监测和识别原型水泵水轮机无叶区的流动状态,对于保证抽水蓄能电站的运行安全性和稳定性有非常重要的意义。本文提出了一种基于经验小波变换、散布熵和卷积神经网络原理的流态特征提取和识别方法,首先使用经验小波变换对压力脉动信号进行分解,然后通过计算各分量的散布熵提取流态相关特征,最后通过利用特征–标签对训练卷积神经网络得到的智能识别模型,实现了无叶区流态识别。利用从国内某水泵水轮机采集到的发电、抽水和空转工况下实测压力脉动信号对该方法进行了测试,测试的平均准确率达到了94.84%,证明了该方法的有效性。

     

岩石变形局部化智能识别的DSCM-CNN方法

岩石变形局部化的识别对于岩石破坏机理、岩土工程灾害预测预警有着重要的意义。本文将数字散斑相关方法（digital speckle correlation methods,DSCM）与卷积神经网络（convolutional neural networks,CNN）相结合,提出了一种用于岩石变形局部化智能识别的DSCM-CNN模型。通过DSCM获取岩石试件在单轴压缩实验过程中的最大剪应变场云图,根据变形局部化带位置进行标注,完成数据集的构建;利用训练数据集对DSCM-CNN智能识别模型进行训练。通过红砂岩单轴压缩实验对该方法进行验证,结果表明：DSCM-CNN模型可以实现岩石变形局部化带位置的自动识别,子集准确率、精确度、召回率等指标分别达到94.19%,97.21%和96.41%,证明了岩石变形局部化智能识别的DSCM-CNN模型的可行性,为岩石变形局部化智能监测提供了一种新的思路。

     

基于卷积神经网络的无网格形函数影响域优化研究

在无网格法中,离散节点之间的相互联系由节点形函数影响域的大小确定,因此形函数影响域的大小对无网格法的计算精度有着直接和重要的影响.但由于无网格形函数的形式较为复杂,目前形函数影响域大小的选择仍然缺乏系统的理论依据,通常在实际计算中仍凭借经验进行选取,难以保证计算精度.卷积神经网络是一类机器学习方法,其感受野与无网格形函数的影响域具有内在相似性,因此在形函数影响域选择方面有很好的适用性.基于该特性,论文通过引入卷积神经网络对无网格形函数的影响域进行了优化选择.首先,针对感受野和影响域的匹配关系,分析了卷积神经网络的结构设计和超参数选择,提出了一种无网格法内禀卷积神经网络结构的设计方法;然后依托该网络结构设计方法,建立了对无网格形函数影响域和数值解分别优化或同时优化的卷积神经网络.文中通过算例系统验证了所提无网格法内禀卷积神经网络对形函数影响域选择和计算结果的优化效应.     

制动磨损源大气颗粒物排放的研究进展

交通运输工具种类及数量的持续增长,势必会给环境保护带来严重的影响.交通运输工具于摩擦制动过程释放的制动磨损颗粒物(即制动粉尘)已成为城市大气颗粒物的重要贡献源,显著影响着城市的空气质量.为贯彻落实绿色发展理念,探索制动磨损源大气颗粒物排放的控制措施,需深入了解颗粒物排放的准确信息.基于此,本文中综述了近年来以制动磨损为源头的大气颗粒物排放研究进展.首先,从机理层面介绍了制动过程中磨屑的衍化,简述了摩擦层的形成机制和制动粉尘的来源及排放特性;其次,重点阐述了制动器结构、材料类型、外界环境、制动速度和制动载荷等因素对制动磨损源大气颗粒物排放的影响,分析了各因素对大气颗粒物排放特性(如颗粒形貌、颗粒尺寸和颗粒浓度等)的影响规律;最后,提出了制动磨损源大气颗粒物排放研究需要加强的几方面内容.     

Pattern Recognition and Synchronization in Pulse-Coupled Neural Networks

This paper establishes and studies equations of a network that is composed of neurons with their dendrites and axons. The pulse generation in the axon is described by means of phase oscillators, whereas the dendritic currents are described by linear damping equations with source terms as which the incoming pulses act. The equations take into account delays and noise. In the case of phase-locking the equations have been solved previously by the author. The main objective of the present paper is to study in how far these equations may serve for pattern recognition. It is shown that either a random phase approximation for the stored patterns or a triple interaction term suffice to treat pattern recognition. It is pointed out how then recognized patterns can be either encoded as completed prototype patterns or as phase-locked states. It is suggested that to understand pattern recognition it is not only necessary to consider the whole network instead of “grandmother” cells but equally well the whole intermediate steps.     

基于粗集—神经网络的磨粒模式识别

应用粗集理论中最小约简的近似算法 ,对磨粒的形状参数进行约简 ,找出判断磨粒模式的形状参数长短轴比 Rt和圆度 Rd,同时采用这些参数训练神经网络以进行磨粒模式识别 .结果表明 :应用此算法 ,对 63个已知样本和历时 2年多对柴油机 1 4 5个润滑油油样进行制谱分析判断 ,准确率在 90 %以上 ,比原来用模糊识别的准确率提高了约 1 0个百分点 ;使用 BP网络减化了网络结构 ,使网络的训练速度加快 ,整个系统变得简单、可靠、有效     

用人工神经网络预测摩擦学系统磨损趋势

人工神经网络具有高度的并行分布式、联想记忆、自组织及自学习能力和极强的非线性映射能力，在许多领域显示了广阔的应用前景．但是，将神经网络用于摩擦学行为预测的研究报道却还鲜见．在对基于神经网络的单变量时间序列预测方法与过程进行分析之后，提出了摩擦学系统磨损趋势神经网络预测模型．采用定量铁谱参数中的总磨损Ｑ作为预测磨损趋势的特征参数，讨论了磨损趋势神经网络预测的单步预测法和多步预测法，并用其对ＣＤ４０齿轮泵的磨损趋势进行了预测，预测值与实测值吻合较好     

基于背景色彩识别的磨粒图像分割方法

针对铁谱图像背景色彩相对单一的特点,设计了1种基于背景色彩识别的磨粒图像分割方法,采用该方法对轴尖-宝石轴承的润滑油铁谱图像进行图像分割,并用所得磨粒覆盖面积推算轴尖磨损量.通过大量磨粒图像分割实践表明,所设计的方法具有精度高、计算速度快及适应性强等优点.定量磨损分析表明,该摩擦副的磨损进程极为缓慢.     

ML-LBM: Predicting and Accelerating Steady State Flow Simulation in Porous Media with Convolutional Neural Networks

Transport in Porous Media - Fluid mechanics simulation of steady state flow in complex geometries has many applications, from the micro-scale (cell membranes, filters, rocks) to macro-scale...     

一种新的磨粒图像特征参数

探讨了小波分析在磨粒图像处理中的应用 ,提出了基于磨粒图像统计特征的粒度参数概念 .利用小波分解对磨粒图像进行分解 ,然后对分解的图像进行统计分析 ,实现磨粒图像的特征提取 .结果表明 ,粒度参数可以作为磨粒图像的综合特征参数     

A Turbulent-Wake Estimation Using Radial Basis Function Neural Networks

An estimation of the fluctuations in the passive-tracer concentration for the turbulent wake behind an airfoil is presented. The estimation is based on experimental modelling using Radial Basis Function Neural Networks. For the experiment the fluctuations of the concentration in the turbulent wake were recorded with a visualization method. The records of the concentration in the selected regions of the turbulent wake were used as the input and output regions for the training and estimation with neural networks. The uncertainty of the estimation increased with increasing distance between the input and the output regions. The power spectra, the spatial correlation functions and the profiles of the concentration were calculated from the measured and estimated fluctuations of the concentration. The measured and estimated concentration power spectra were in reasonable agreement. The measured and estimated spatial correlation functions and the profiles of the concentration showed a similar agreement.     

一类混沌神经网络的观测器广义投影同步设计

研究了混沌神经网络的广义投影同步问题.基于改进的非线性状态观测器理论和极点配置技术,设计了一种新的广义投影同步方案.该方案可以实现不同混沌神经网络之间的广义投影同步.通过对细胞神经元系统和三阶Winner-Take-All竞争型混沌神经元系统的数值仿真试验,进一步验证了所提方案的有效性.该方案具有全局性,与混沌神经网络的初始条件无关,且可以灵活地调整同步误差的收敛速度.     

基于RBF网络的有源噪声控制

提出一种神经自适应噪声有源控制（ANC）的方法。应用RBF（Radial Basis Function)网络对噪声进行有源控制。针对RBF的网络特点,使用递阶遗传算法确定网络参数（连接权、隐节点中心和宽度），同时解决了网络拓扑结构的优化训练。利用RBF网络的有源噪声控制系统用于三维空间传播的宽频带空调噪声的降噪获得了良好的效果。