《表1 声发射信号特征样本值》

提取 ⇩
《基于自适应模糊神经网络的砂轮磨损评估》

对磨削过程中不同磨损时期的各信号进行特征值[11]提取,将不同磨损量定义为语言描述{新砂轮,磨损初期,磨损中前期,磨损中期,磨损中后期},对以上变量定义子集为{Y1,Y2,Y3,Y4,Y5}。不同的磨损程度分别赋值{1,2,3,4,5},与5种状态一一对应,磨损程度为自定义等级,无量纲。分别对上述5种磨损量状态下砂轮磨损过程中的声发射信号、x轴振动、y轴振动信号进行特征值提取,建立各特征信号的样本数据库。不同磨损状态下各信号值有明显的不同,选取声发射信号的标准差、x轴方向振动的均方根、y轴方向振动的偏态系数作为特征值。通过分析得到的各特征值见表1~3。

查看“表1 声发射信号特征样本值”的人还看了

表1 模糊神经网络诊断结果
表1 模糊神经网络诊断结果
基于模糊神经网络的气瓶故障诊断
表3 BP神经网络的训练特征向量样本(部分)
表3 BP神经网络的训练特征向量样本(部分)
基于反向传播神经网络的故障电弧识别
表1 人工神经网络样本集
表1 人工神经网络样本集
基于Python人工神经网络的再生混凝土碳化深度预测
表2 测试样本特征值:GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用
表2 测试样本特征值:GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用
GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用
表1 网络模型训练参数:无波前传感自适应光学神经网络控制方法
表1 网络模型训练参数:无波前传感自适应光学神经网络控制方法
无波前传感自适应光学神经网络控制方法
表2 神经网络样本表:全连接神经网络在砂砾石地基上闸底板弯矩预测中的应用
表2 神经网络样本表:全连接神经网络在砂砾石地基上闸底板弯矩预测中的应用
全连接神经网络在砂砾石地基上闸底板弯矩预测中的应用