基于HHT的锚杆锚固质量声波无损检测

锚杆锚固质量的无损检测工作在锚杆锚固工程中具有十分重要的地位和作用。分别应用FFT和HHT方法对锚杆信号进行了分析,分析结果表明,首先提取首波信号,然后将检测信号作HHT分解,分解后的信号与首波信号作相关,能更好地检测到反射波信号,得到较为准确的锚杆质量参数。     

基于盒维数的锚杆工作荷载无损检测研究

为研究锚杆工作荷载,应用了分形理论中的盒维数方法。根据一维杆波动理论,在锚杆外露端头安装一个自激式加速度传感器,利用锚杆无损检测加载试验台分级加载、检测标定测得锚杆-围岩相互作用体系在激发荷载作用下的速度响应,计算其加速度响应曲线的盒维数,拟合得出荷载-盒维数曲线,直观地判断锚杆工作荷载和锚固质量。     

基于神经网络的超声导波锚杆剥离缺陷的识别

结合小波包分解技术与神经网络,提出了超声导波检测锚杆剥离缺陷的方法。首先,利用ANSYS-LSDYNA进行了数值模拟,在锚杆的顶端施加扫描激励波,得到了完好和剥离工况下的锚杆动态响应信号,利用小波包分解获得了缺陷参数与小波包能谱之间的关系,以小波包能谱作为输入向量训练适用于锚杆无损检测的神经网络,将剥离状况作为输出,建立了神经网络系统。最后利用混有不同噪声,且未参于训练的导波检测信号验证了神经网络检测的有效性。数值算例表明,该方法对噪声水平小于40%的检测信号,具有较好的识别结果。     

基于应力波的锚杆锚固质量无损检测研究进展

施工工艺、材料特性、环境与荷载长期耦合作用等因素导致岩土体中锚杆锚固结构产生锚固缺陷,对工程安全构成潜在威胁。对在役锚杆锚固结构开展无损检测是进行锚固质量评估、锚杆质量补强的重要环节。应力波法适应强、发展快,是锚杆锚固质量无损检测技术采用的主要方法。从基于应力波法的锚杆锚固质量无损检测理论、室内模型试验、应力波激振与接收、信号处理与分析、数值模拟方面对国内外锚杆锚固质量无损检测技术研究现状进行了综述。研究表明：中国锚杆锚固质量无损检测技术研究起步晚,但发展迅速;现有锚杆锚固质量无损检测技术较为成熟,可实现黏结型锚杆杆体长度及灌浆密实度检测,但其中仍存在不足,限制了锚杆检测精度与检测长度;针对老旧锚杆服役状态的无损检测方法也较少报道,仍需开展研究。最后结合未来发展趋势对未来可能发展的方向进行了展望,后续研究中,应进一步改进与完善现有理论,研发与升级无损检测技术与设备,拓展锚杆锚固质量无损检测技术适用范围。同时,应构建基于无损检测技术的锚杆服役状态智能评价体系并提出锚杆剩余寿命预测方法。     

一种基于小波分析和分形维数的笔迹鉴别方法

笔迹鉴别是计算机模式识别和机器学习领域的一个研究热点。本文将中文手写笔迹看成一种纹理图像,利用多尺度小波纹理分析方法对其进行二维小波包分解,再提取各通道子图的能量和分形维数,最后采用BP神经网络进行分类识别,实验结果证明利用该方法进行笔迹识别具有很好的效果。     

基于广义维数与优化BP神经网络的刀具磨损量预测

根据多重分形理论,采用改进的盒计数法计算了切削加工过程中声发射(AE)信号的广义分形维数,得到了不同刀具磨损状态下AE信号的广义维数谱,分析了广义维数与刀具磨损量之间的关系.以广义分形维数以及切削加工参数为特征,进行归一化处理后作为BP神经网络输入向量;采用遗传学算法,对BP神经网络的初始权值和阈值进行了优化,利用优化后的神经网络对刀具磨损量进行预测.测试结果表明,该方法可以较精确地预测刀具磨损量,平均预测误差为001mm.     

锚杆锚固质量的定量分析方法

提出一种用于评价锚杆锚固质量的定量分析方法。基于小波分析和人工神经网络建立了用于识别锚杆杆侧刚度系数的神经网络模型,利用样本对所建立的神经网络进行训练,为锚杆系统的锚固质量评价提供了一个有效的智能化的手段;通过对不同围岩下完整锚杆的数值模拟结果进行动力参数识别,得到了完整锚杆杆侧刚度系数与围岩弹性模量的关系曲线及相应的二次拟合公式,以此可作为锚杆锚固质量的衡量基准;提出了用于描述锚杆锚固状态的锚杆锚固度概念,建立了锚杆锚固质量定量分析方法并进行了工程应用。     

基于分形和神经网络的柴油机振动诊断方法

提出了一种基于分形理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波降噪,然后提取相应的不同迭代阶数的广义分形维数,并将其作为RBF神经网络的输人参数,以运行工况作为输出参数训练神经网络模型．训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况．实验及仿真结果表明：采用的小波降噪技术可以较好地再现振动信号特征,有效提高故障识别率;同时基于分形和神经网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单个故障的正确识别率达到了100％,具有较高的工程适用性,对其他复杂机械的振动诊断同样具有参考价值．     

锚杆锚固质量的超声导波检测技术研究

采用低频超声纵向导波检测了锚杆的锚固质量.首先研究了调制波类型及激励信号周期数对信号频谱的影响,优选出汉宁窗调制的正弦波信号作为检测信号,然后数值模拟研究了20~100 kHz纵向导波在锚杆锚固段上界面的反射情况,进行了纵向导波在锚杆底端与锚固段上界面反射回波的时间差确定锚固锚杆的脱锚长度,进而确定锚杆的粘结密实度的理论与试验研究,结果表明:随着频率的增大,锚固段上界面的反射回波系数逐渐减小.锚固段上界面反射回波系数的试验与数值模拟结果变化趋势差异较大,原因为传感器具有谐振频率及传感器与锚杆接触面耦合存在能量损失.粘结密实度测定的试验与理论结果吻合较好.      

最小二乘支持向量机在API预测中的应用

传统的空气污染指数预测模型大多是以影响空气污染指数的重要气象因子作为输入,使用BP神经网络进行建模,模型的预测精度低且收敛速度慢.针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的最小二乘支持向量机预测模型.首先利用小波变换对原始的空气污染指数时间序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,然后使用该模型对兰州地区的空气污染指数进行了预测,最后讨论了模型参数的优化方法并使用网格法对两个参数进行了优化.仿真结果表明,与传统的BP神经网络预测模型相比,该模型具有更高的预测精度、更快的收敛速度及更好的稳定性.     

小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.     

基于改进的反向传播神经元网络复杂煤岩层对比方法研究

为了提高复杂地区煤岩层对比的准确率,解决由于反向传播神经元网络(BP神经元网络)连接权值和阈值的初始值选择不合适而导致的无解问题,本文把求全局最优解近似值的遗传算法(GA)和求局部最优解精确值的传统BP神经元网络所使用的梯度法有机地结合起来,取长补短,用于复杂地区煤岩层对比。首先,用GA求得BP神经元网络权值和阈值的全局最优解的近似值;然后,把该近似值作为初始值,训练该神经元网络;最后,用训练好的BP神经元网络进行复杂地区煤岩层对比工作。本文利用测井曲线采用小波变换分析沉积旋回,并用于煤岩层对比。该新方法在钱营孜煤矿的复杂煤岩层对比中,取得了较好的效果,比常规的单一方法和简单的组合方法效果要好。     

基于小波包分析与BP神经网络的氧化铝熟料检测

利用小波包分析与BP(Back Propagation)神经网络相结合的算法,对氧化铝熟料检测的应用进行了研究.通过采集回转窑中氧化铝熟料下落碰撞窑壁产生的声音信号,利用小波包分析提取特征向量,根据氧化铝的烧结状况与声音信号特征向量的对应关系,提出建立BP神经网络模型.利用MATLAB对测试样本进行验证,结果表明BP神经网络模型在氧化铝熟料检测中具有可行性,而且具备一定的准确率.     

BP小波神经网络在大断面隧道变形预测中的应用

将BP算法引入小波神经网络,自适应地调整小波系数和网络权重,同时利用自适应算法调节BP算法的学习率,提高收敛效率.以4车道隧道——前欧隧道的监测数据为基础,建立BP小波神经网络变形预测模型.预测结果表明:BP小波神经网络对地质条件相似,施工及初期支护方法相同的隧道断面变形进行预测,其预测结果满足工程精度要求,能较准确地...     

基于小波包BP网络的超声检测缺陷类型识别

针对A型反射超声波检测仪难以准确识别缺陷类型的问题,探讨了基于小波包和BP神经网络相结合的超声检测缺陷类型识别方法。对检测的多组超声缺陷信号分别进行3层小波包分解,提取小波包频谱能量特征,归一化后构造了各缺陷信号的特征向量,并分别组成训练样本集和测试样本集,用于3层BP神经网络的训练和网络识别效果检验。实验结果表明该方法能准确快速地识别出超声检测缺陷类型。     

基于分形插值与机器学习模型的股指分析和预测

股票市场预测一直是金融市场分析中的热点和难点,一些传统的预测模型很难对股票市场做出有效的预测;针对这一问题,将分形插值方法与机器学习算法相结合,提出了分形插值与SVM以及分形插值与BP神经网络两种混合模型;所提的混合模型利用机器学习算法首先计算出分形插值所需要的插值点,然后建立分形插值外推模型对所需其他值进行预测;实证结果发现两个混合模型的预测效果均比单独使用分形插值模型预测效果更佳,预测精度更高;因此分形插值方法与机器学习算法相结合所得到的混合模型,能较好地预测诸如股票市场指数等非平稳金融时间序列。     

基于小波-ELM神经网络的短期停车泊位预测

采用小波变换与极限学习机(ELM)相结合的方法对短时空余停车泊位进行预测.首先通过小波函数对有效停车泊位时间序列进行小波分解和重构;然后用ELM对分解后所得的各时间序列进行预测;最后对各神经网络的预测结果进行合成,得到最终的预测结果.预测实例结果表明,该方法缩短了训练时间,提高了预测结果.     

基于改进小波包结合CS-BP的地面驱动螺杆泵故障诊断

针对目前地面驱动螺杆泵故障诊断存在效率不高、精度不足、损耗资源的问题,提出通过引入功率谱细化的思想改进小波包变换,再结合布谷鸟搜索(cuckoo search, CS)优化反向传播(back propagation, BP)神经网络的诊断方法。首先,通过改进的小波变换对螺杆泵有功功率分解重构得到特征向量;其次,与瞬时流量、进口回压等参数进行归一化处理,作为BP神经网络的输出层信息;再次,使用布谷鸟搜索寻优得到BP神经网络的权值和阈值,建立CS-BP故障诊断模型;最后,应用于螺杆泵不同故障类型的诊断,并通过与目前的主流诊断方法进行诊断效果的分析比较。结果表明,对于螺杆泵不同类型故障诊断的平均精度达到95.6%,对比分析证明了所提方法的可行性与优越性。     

武器装备研制阶段费用预测方法及仿真

提出一种基于小波神经网络的武器装备研制阶段的费用预测方法.建立小波神经网络预测模型,并推导该模型的预测算法.应用一组美军反舰导弹数据进行仿真预测.结果表明,小波神经网络方法比传统BP网络方法平均预测误差减小了1%,收敛速度加快了3倍.