基于Elman神经网络的门式刚架结构损伤识别

合集下载

基于神经网络算法的智能设备故障诊断系统的设计

基于神经网络算法的智能设备故障诊断系统的设计随着智能设备的普及和广泛应用，智能设备故障诊断系统的需求也越来越重要。

传统的故障诊断方法，主要是基于人工经验和专业知识，但由于设备结构复杂，标准化程度低，人工诊断准确率低，效率低，成本高，无法满足快速、准确的故障诊断需求。

因此，基于神经网络算法的智能设备故障诊断系统应运而生。

一、神经网络算法介绍神经网络是一种结构类似人脑的算法，是一种模仿人类神经系统模式的算法。

它可以从数据中学习，并基于数据进行推理、决策。

对于智能设备故障诊断系统来说，神经网络算法可以通过对设备的信号和表现进行学习、分析、预测，并识别设备的故障类型。

二、神经网络的应用在实际应用中，神经网络算法可以应用于多个领域。

例如，在工业领域中，神经网络可以对设备故障进行智能诊断和预测。

在医学领域中，神经网络可以应用于医学图像识别和疾病预测。

在金融领域中，神经网络可以应用于风险评估和市场预测。

在物联网领域中，神经网络可以应用于智能交通、智能家居、智能制造等多个方面。

三、智能设备故障诊断系统的设计针对智能设备故障诊断系统的需求，该系统的设计流程如下：1. 数据采集：通过传感器或其他检测设备采集设备的状态数据，包括工作电压、工作温度、工作时间、运行频率等。

2. 数据预处理：将采集到的原始数据进行预处理、清洗、去噪、降维等操作，以提高数据的质量和减小数据集规模。

3. 特征提取：通过特征提取技术，从预处理的数据中提取出与故障相关的特征，例如时间序列分析、频域分析、小波分析等。

4. 模型建立和训练：利用神经网络算法，进行模型的建立和训练，并对模型进行优化，使得模型的泛化能力和预测准确率更高。

5. 故障诊断和预测：将实时采集到的状态数据输入已训练好的神经网络模型中，进行故障的诊断和预测，并输出故障种类、位置和程度等信息。

6. 诊断反馈和维护：将诊断结果反馈给操作员，并进行故障的修复和维护。

四、智能设备故障诊断系统的优点相比传统的故障诊断方法，基于神经网络算法的智能设备故障诊断系统有以下优点：1. 自适应性和灵活性较强：由于神经网络算法可以从数据中学习和推理，因此具有自适应性和灵活性，可以适应不同设备和环境的变化。

基于改进YOLOX的钢材表面缺陷检测研究

现代电子技术Modern Electronics Technique2024年5月1日第47卷第9期May 2024Vol. 47 No. 90 引言钢材作为一种重要的工业产品正随着经济的发展扩张规模、提升产量，尽管目前生产制造水平有了巨大的进步，但在钢材的生产和加工过程中，很容易受到各种不良因素的影响，从而使钢材表面产生多种类型的缺陷[1]。

比较常见的缺陷有划痕、孔洞、裂纹，这些不同类型的缺陷会使得钢材的耐久性、使用强度急剧下降，缺陷会随着时间影响正常使用，甚至会造成不可预料的后果，所以，迅速而精确地识别钢材表面的缺陷变得至关重要。

在AI 技术日益成熟的今天，计算机视觉逐步取代了传统的检测手段。

计算机视觉可以较好地解决传统检测方法漏检率高、成本高等缺点，它在图像分类、人脸识别和目标检测等领域得到了广泛应用[2]。

近年来，在金属表面缺陷检测领域，文献[3]提出了一种基于自适应空间特征融合结构与EIOU 损失函数的改进YOLOv4算法，提高了检测精度。

文献[4]在YOLOv4的基础上设计了一个并行的双通道注意力模块，提出了YOLO ⁃DCSAM 算法对铝带缺陷进行检测。

文献[5]基于YOLOX 模型，结合新型特征提取网络ECMNet 与数据增基于改进YOLOX 的钢材表面缺陷检测研究刘毅，蒋三新(上海电力大学电子与信息工程学院，上海 201306)摘要：针对目前单阶段目标检测网络YOLOX 的特征提取能力不足、特征融合不充分以及钢材表面缺陷检测精度不高等问题，提出一种改进YOLOX 的钢材表面缺陷检测算法。

首先，在Backbone 部分引入改进的SE 注意力机制，增添一条最大池化层分支，进行权重融合，强化重要的特征通道；其次，在Neck 部分引入ASFF 模块，充分利用不同尺度的特征，更好地进行特征融合；最后，针对数据集所呈现的特点，将IOU 损失函数替换为EIOU 损失函数，改善模型定位不准确的问题，提高缺陷检测精度。

基于Elman神经网络的语音情感识别应用研究

第２９卷第５期２１０２年５月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｍｐｔｒｐｉｔｓａｃｆＣｏｕｅｓｃｏ
Ｖｏ＿９Ｎｏ５ｌ２．
Ｍａ０１ｖ２２
基于Ｅｍａｌｎ神经网络的语音情感识别应用研究
Ａｐｌｃｔｏｅｅｒｈｏｐｅｈｅｔｏｅｏｎｔｏａｅｎｐｉａｉｎｒｓａｃｆｓｅｃｍｏｉｎｒｃｇｉｉｎｂｓｄｏ
Ｅｌｎｎｕａｅｗｏｋｍａｅｒｌｎｔｒ
Ｙｉ．ＺＯａ－ｎ，ＱＵＡ．ｉｇＵＬｎ１ｇ．ｉ，ＨＵＫｉｕ．ｊＩｉｎｂ
ｎｔｏｌｄｆｅｗｒｔｃｕｅｔｐｓｉａｋｔｇ，ｂｔａｓｒｃｉｅｗｄｆｓｇａｐｅｈｒｃｇｉｏｎａｃｒ — ｏｎｙｍｏｉｎｔｏｋｓｕｔｒｅｎｂｃｓｅｕｌｐａｔｄｔｏｍｏｅｏｉｎｌｅｃｅｏｎｔｎａｄｂｔｈｐｏｙｒｙａｏｃｓｉ
刻状态与当前网络一并输入，实现Ｅｍｎ网络模型的状态反馈。基于此设计了语音情感识别系统，系统能在ｌａ该
后台修改网络类型，实现单语句与批量语句识别模式。针对系统进行语音情感识别实验表明，于Ｅｍｎ并基ｌａ神经网络的语音情感识别在同等参数模型设置前提下优于ＢＰ神经网络识别效果，Ｂ且Ｐ神经网络参数设置较Ｅ— ｌ

Elman神经网络

Elman网络的构建
NET = NEWELM(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)
PR - Rx2 维矩阵，表示R个输入的范围 Si -每层有几个神经元 TFi – 每层神经元的类型 BTF – 训练算法，默认为 'traingdx'. BLF – 学习算法，默认为 'learngdm'. PF - 表现函数，默认为 'mse'
意义：演示Elman网络如何进行时间模式识别和分类（低通滤波）
实现方法
设置输入（两种振幅的正弦波）和期望输出建立网络并根据输入和期望输出进行训练用原输入信号对网络进行测试用一组新的输入信的空调负荷预测
空调系统的逐时负荷是按时间顺序排列的数字序列，它们之间有某种统计意义上的关系，很难用函数描述
例一：构建一个Elman网络
构建一个单输入、单输出，隐藏层有5个神经元的Elman网络
输入网络的IW，LW1和LW2进行观察分析（维数）
随机产生一个输入向量，观察相应输出为输入向量指定期望输出进行训练观察训练后网络的输出
振幅检测
检波、低通滤波
例二：应用Elman网络进行振幅检测
空调负荷预测问题：多变量、强耦合、严重非线性、动态性
要求：根据过去的N（N≥1）个数据预测未来M（M ≥1 ）个时刻的值
预测方法的选取
神经网络方法的优势
并行、分布式、自组织
静态网络
BP网络：系统定阶困难、规模大、收敛慢
动态网络
Elman：适应时变特性
样本数据的分段方法
空调负荷数据
每天只选9~12四个小时的负荷
基于Elman网络的空调负荷预测步骤

基于蚁群优化的Elman神经网络在故障诊断中的应用研究

第２７卷第４期总９４期
基于蚁群优化的Ｅｌｍａｎ神经网络在故障诊断中
的应用研究
曹龙汉，牟浩，张迁，余佳玲，李景南
４０００３５）（重庆通信学院控制工程重点实验室，重庆
［摘要］指出普通Ｅｌｍａｎ神经网络ＢＰ学习算法的不足，将蚁群算法和Ｅｌｍａｎ神经网络相融
ａｌｇｏｒｉｔｈｍｗｈｉｃｈａｄｊｕｓｔｓａｕｔｏｍａｔｉｃａｌｌｙｂｙｕｓｉｎｇｐｈｅｒｏｍｏｎｅｖｏｌａｔｉｌｉｚａｔｉｏｎＰａｎｄｐｈｅｒｏｍｏｎｅ．ｒｕｐｄａｔｅｓｔｒａｔｅｇｙ，ａｎｄ
ｕｓｅｉｔｉｎｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｄｉｅｓｅｌｅｎｇｉｎｅｔｕｒｂｏｃｈａｒｇｉｎｇｓｙｓｔｅｍ．ＳｉｍｕｌａｔｉｏｎｒｅｓｕｈｓｓｈｏｗｔｈａｔｔｈｅｏｐｔｉｍｉｚｅｄＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋｇｅｔｓｈｉｇｈｅｒｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄａｎｄｈｉｇｈｅｒｐｒｅｃｉｓｉｏｎｉｎｆａｕｌｔｄｉａｇｎｏｓｉｓ．Ｉｔｃａｎａｌｓｏｄｉａｇｎｏｓｅｔｈｅｆａｕｌｔｓｏｆｄｉｅｓｅｌｅｎｇｉｎｅｔｕｒｂｏｃｈａｒｇｉｎｇｓｙｓｔｅｍｅｆｆｅｃｔｉｖｅｌｙ，ａｎｄｌｏｃａｌｍｉｎｉｍｕｍｃａｎｂｅａｖｏｉｄｅｄ，ＳＯｔｈａｔｔｈｅｆａｕｌｔｓｏｆｄｉｅｓｅｌｅｎｇｉｎｅｔｕｒｂｏｃｈａｒｇｉｎｇｓｙｓｔｅｍｃａｎｂｅｄｉａｇｎｏｓｅｄｅｆｆｅｃｔｉｖｅｌｙ．

基于人工智能机器视觉技术的古建筑表层损伤检测

古建筑修复工作。2014 年，安徽省黄山市徽州区投入 8 000 万元，对该区 147 处古建筑实施保护利用工程 [2] ；同年，贵州省铜仁市投入6 000万元，启动了40 个古建筑维护项目[3]；2015 年，广东省珠海市高新区投入近 3 000 万元，完成了对该区 18 处重要古建筑的修缮和活化工作 [4] ；2016 年，国家文物局投入 2 610 万元开始对永乐宫实施整体维修 [5]。大量高投入的维护工作对损伤检测与评定环节提出了更高的要求。
收稿日期：2017-05-24 修回日期：2017-06-23 基金项目：国家自然科学基金面上项目（51479031）；国家自然科学
基金面上项目（51278085）
目前将深度学习引入结构表层损伤检测的研究很少，相关研究的网络深度相对较浅 [6]，基本上均为二分类问题 [7]，且在识别的算法上效率不高。同时，也尚未见到任何应用于古建筑或砌体结构的相关研究。而本文将填补这一部分空白。 1 基本原理
中图分类号：TP368.5；T09-0014-05
0引言古建筑作为一种重要的文明载体，是历史文化遗产不可
或缺的一部分。自 21 世纪以来，国家对于古建筑的保护愈发重视，维护和修复工作大量展开，并且得到了长足的发展 [1]。
提供实时和必要的指导，导致维修成本大大提高。以深度学习为核心的人工智能技术的最大优势是无需特
一般来说，图像分类任务的网络越深，效果就越好。但以全连接层为主的 BP 神经网络并不能做得很深。以图 1 中的
１４物联网技术２０１７年／第９期
Copyright©博看网 . All Rights Reserved.
全面感知 Comprehensive Perception

基于改进LLE的Elman神经网络电路故障诊断

ｍａｎｎｅｕｒｌａｎｅｔｗｏｒｋｔｏｂｕｉｌｄｆａｕｌｔｃｌａｓｓｉｆｉｅｒｏｒｆｆａｕｌｔｄｅｔｅｃｉｔｏｎｃｉｃｕｒｉｔ．ＳｉｍｕｌａｉｔｏｎｅｓｒｕｌｔｓｓｈｏｗｈａｔｔｈｅｔｆａｕｌｔｉａｄｇｎｏｓｉｓｍｅｈｏｔｄｉｓｍａｄｅｏｆｉｍｐｏｖｒｅｄＬＬＥａｎｄＯＩＦ－ＥｌｍａｎｎｅｕｒｌａｎｅｔｗｏｒｋｉｓｎｏｔｏｎｌｙｔｏｈａｖｅｔｈｅｂｅｔｔｅｒｄｉａｇｎｏｓｉｓｒａｔｅｃｏｍｐａｒｄｗｉｅｔｈｔｈｅＢＰｎｅｕｒｌａｎｅｔｗｏｒｋ．ｂｕｔｌｓａｏｇｅａｒｌｔｙｅｎｈｎｃａｅｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄｆｏｒｈｅｔｗｈｏｌｅｎｅｔｗｏｒｋ．Ｋｅｙｗｏｒｄｓ：ｆａｕｌｔｌｃａｏｔｉｎｇ；ｉｍｐｒｏｖｅｄｌｏｃｌｌａｙｌｉｎｅｒａｅｍｂｅｄｉｎｄｇｎａａｌｙｓｉｓ；ｄｉｍｅｎｓｉｏｎｅｄｒｕｃｔｉｏｎ；ＯＩＦ— Ｅｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋ
Ａｂｓｔｒａｃｔ：Ｔｈｅｃｉｒｃｕｉｔｉｓｍｏｒｅａｎｄｍｏｌｅｃｏｍｐｌｅｘｎｄａｆｏｌｌｏｗｅｄｂｙａｃｉｒｃｕｉｔｓｙｓｔｅｍｆａｉｌｕｅ，ｒｓｏｈｏｗｔｏｌｏｃａｔｅｔｈｅｆａｕｌｔｃｃｏｕｒｓｉｓａｍａｊｏｒ

基于Elman神经网络在塔式起重机中安全状态模式识别

塔机覆盖。
的大规模分布式并行信息处理系统，通过模拟人脑的神经组织结构，能对复杂问题进行有效求解。它具有极强的非线性动态处理、模糊推理、自学习、自组织、分布式知识存储和联想记忆等优点。笔者将训练速度快、学习记忆稳定、诊断结果可靠的反馈型Ｅｌｍａｎ人工神经网络应用于塔机施工安全评估之中，能克服传统方法的一些缺陷，快速准确的得到较好安全评估结果。
ｉｓａｐｐｌｉｅｄｔｏｔｈｅｓａｆｅｔｙｓｔａｔｅｍｏｄｅｌｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｔｏｗｅｒｃｒａｎｅ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｆｅａｓｉｂｌｅａｎｄｐｒａｃｔｉｃａ１．
（１．ＸｉａｎＳｉｙｕａｎｕｎｉｖｅｒｓｉｔｙ，ＸｉａｎＳｈａｎｘｉ７１００３８，Ｃｈｉｎａ；２．Ｘｉａｎｙａｎｇｐｏｗｅｒｓｕｐｐｌｙｂｕｒｅａｕ，ＸｉａｎｙａｎｇＳｈａｎｘｉ７１２０００，Ｃｈｉｎａ）
摘要：塔式起重机是一种事故发生率高的特种建筑施工机械。应用Ｅｌｍａｎ神经网络构建塔机状态参数与施工安全
状态类别之间映射关系。将其应用于实际塔机安全状态模式识别，结果表明该方法切实有效。关键词：Ｅｌｍａｎ神经网络；ｇ－式起重机；建筑施工；模式识别中图分类号：ＴＨ２１文献标志码：Ａ文章编号：１００７ — ４４１４（２０１３）Ｏ１ — ００６６ — ０３

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

门式刚架轻型房屋钢结构属轻型钢结构的一个分支ｌＪ其主要应用范围包括单层工业厂房、级ｌ，超市场和展览馆、库房以及各种不同类型仓储式工业
及民用建筑等，广泛的市场应用前景ｌ］但在有３。
同的一种有前景的方法就是结合系统识别、动理振论、动测试技术等跨学科技术的实验振动模态分振
１未受损刚架模型划分单兀网格
ａｈｅｔａｎｉｅｗｏｋ．Ｉａｈｏｗｈｔｕｓｎｇｎｅａｅｗｏｋｔｄｎｔｆｈｅｄｍａｆｓｒｔｅｉｅｓｂｌｓｔｒｉｎｇｎｔｒｔｃｎｓｔａｉｕｒｌｎｔｒｏｉｅｉｙｔａｇｅｏｔｕｃｕｒｓｆａｉｅ．ＫＥＹＯＲＤＳ：ｍａｔｏｋ；ｐｔｌｓｅｌｒｍｅ；ｄａａｅｉｎｔｆｃｔｏＷＥｌｎｎｅｗｒｏｒａｔｅｆａｍｇｄｅｉｉａｉｎ
摘要：用ＡＮＳＳ软件对建筑中常用的单层单跨刚架进行建模、载、解，到刚架未受损和有损伤的固有频利Ｙ加求得率，利用ＭＡＴＩ再ＡＢ软件建立Ｅｍａ神经网络模型对单层单跨刚架损伤识别，用求得的固有频率作为学＞样ｌｎ利－ｊ本对网络进行训练，用训练的网络进行损伤识别。说明以固有频率作为标识量的神经网络模型在结构损伤识别应
贾宏玉，：于Ｅｍａ等基ｌｎ神经网络的门式刚架结构损伤识别
基于Ｅｍａｌｎ神经网络的门式刚架结构损伤识别
贾宏玉
岳鹏飞
２０１）１０６（．内蒙占科技大学建筑与土木Ｔ程学院，内蒙古包头０４１；２１１００．南京航空航天大学宇航学院，京南
１ＡＮＳＹＳ有限元建模并求解
建立门式刚架模型（１，其进行有限元分图）对
析。
环境侵蚀、料老化等因素的影响下，架可能出现材刚不同程度的损伤，降低刚架的刚度伤识别和诊断是必要的。结构损伤
ＡＢＳＲＡＣＴ：ｉｇＡＮＳｏｔｒ，ｈｎｌｓｓｍｏｅｓｂｉ，ｈｒｑｅｃｆｔｅｆａｔｎｕｙｏｔｏｔＴＵｓｎＹＳｓｆｗａｅｔｅａａｙｉｄｌｉｕｌｔｅｆｅｕｎｙｏｈｒｍｅｗｉｈｉｊｒｒｗｉｕｔｈ
ＹｕｅＰｅｎｇｆｅｉ
（．ｃｏｌｏｃｉｅｔｒｎｖｌＥｎｎｅｉｇ，ＩｎｒＭｏｇｌａＵｎｖｒｉｙｏｃｅｃｎｃｎｌｇ１ＳｈｏｆＡｒｈｔｃｕｅａｄＣｉｉｇｉｅｒｎｎｅｎｏｉｉｅｓｔｆＳｉｎｅａｄＴｅｈｏｏｙ，Ｂａｔｕ０１０１，ｏｏ４０Ｃｈｉａｎ
ｉｊｒｓｏｔｉｅｆｅｏｄｎｎａｃｌｔｎｈｄ１Ｉｈｓａｔｌ，ｓｎｈＡＴＩＡＢｓｆｗａｅｉｄｎｉｙｎｎｙｉｂａｎｄａｔｒｌａｉｇａｄｃｌｕａｉｇｔｅｍｏｅ．ｎｔｉｒｉｅｕｉｇｔｅＭｕｃｏｔｒ，ｎｅｔｆｉｇｔｅｉｊｒｆｓｎｌｒｇｄｆａｔｎｔｒｙＥｌｎｎｕａｅｗｏｋ，ｅｔｇｔｅｎｔｒｌｒｑｅｃ，ｉｈｉｕｅｈｎｙｏｉｇｅｉｉｒｍｅｗｉｈｏｅｓｏｙｂｍａｅｒｌｎｔｒｇｔｉｈａｕａｆｅｕｎｙｗｈｃｓｓｄｕｎ
识别主要包括判断结构损伤的现、构损伤的定结
位、构损伤程度的标定和评价。目前关于结构损结
伤的研究多集中在判断损伤是否出现的层面上，而损伤定位是进行结构损伤识别的核心，是问题的也难点所在。在钢结构损伤检测研究中，到普遍认得
２ＣｏｌｇｅｏｒｓａｅＥｎｉｅｉｇ，Ｎａｊｎ．ｌｆＡｅｏｐｃｇｎｅｒｎｅｎｉｇＵｎｉｅｓｔｆＡｅｏａｔｃｎｔｏａｔｃ，Ｎａｊｎ１０，ｎ）ｖｒｉｏｒｎｕｌｅａｄＡｓｒｎｕｉｓｙｎｉｇ２０１Ｃｈｉａ６
方面的可行性。
关键词：ｌｎ网络；门式刚架；损伤识别Ｅｍａ
ＤＡＭＡＧＥＤＥＴＥＣＴＩＮｏｏＦＰｏＲＴＡＬＴＥＥＬＳＦＲＡＭＥＢＹ
ＥＬＭＡＮＮＥＵＲＡＬＥＴＷｏＲＫＮ
ＪｉａＨｏｎｇｙｕ ’