简介：为了实现倒装和弯钩次品针头的自动检测，提出了一种基于BP神经网络的注射器针头合格性检测方法。该方法首先对针头图像进行去噪、目标分割和针头轮廓提取等预处理，其次采用边界区域不变矩法和针头边缘曲率法提取针头特征，然后用合格针头、弯钩针头和倒装针头样本的特征对设计好的BP神经网络进行训练，最后利用训练好的BP神经网络实现注射器针头的合格性检测。通过大量真实针头的合格性检测实验，验证了本研究所提出方法的有效性，可用于实际生产中。

简介：采用BP神经网络对聚酯玻璃钢氙弧灯加速老化的弯曲寿命进行了预测。通过对聚酯及其玻璃钢的人工氙弧灯加速老化,测试其不同老化时间的弯曲强度,对弯曲强度与老化时间进行BP神经网络的建模分析,借助MATLAB软件对聚酯玻璃钢的使用寿命分别进行分析与预测,并采用最小二乘法对所预测的结果进行了对比。结果表明：在以弯曲强度达到初始强度值的一半作为失效条件下,聚酯的氙灯老化寿命为813d,含填料玻璃钢老化寿命为1031d,无填料玻璃钢老化寿命为1065d,说明BP神经网络可以预测玻璃钢的老化寿命,预测结果与最小二乘法预测结果误差不大于8%,而且预测结果与该材料性能的实际情况相符。

简介：基于LABVIEW的虚拟仪器平台建立数据采集系统，实现了对齿轮进行全生命周期实验过程中采集到大量振动信号数据，提出使用时域分析法（时域同步平均）与频域分析法（功率谱）相结合的信号处理方法对振动信号数据按齿轮可能出现的各种运行状态加以分类，从而有重点的应用倒频谱法对已经出现故障的齿轮箱振动信号进行分析，倒频谱的边频带频谱识别能力有助于研究啮合频率及边频特征，进而准确诊断出齿轮故障性质，并定位出故障齿轮。实验结果得到的齿轮各阶段运行状态数据在工程中很实用，具体涉及齿轮状态判断、故障阈值设定、故障识别及定位等用途。

简介：风电机组状态监测部位多,数据分析工作量大,人工故障识别的方式使得风电机组状态监测报告滞后.本研究提出一种基于幅值调制比率的风电机组齿轮箱失效自动识别方法,针对风电机组转速不平稳的特点首先对齿轮箱振动加速度信号进行时频分析得到机组的瞬时转速,然后进行阶比处理将等时间间隔信号序列重采样转换成等角度间隔信号序列,频域变换后选择一倍啮合频率和两倍啮合频率幅值较大值,计算调制间隔为转频的多频率点幅值累加和,再将与较大啮合频率处的幅值调制比率作为特征值表征齿轮箱的失效状态.恒速和变速风电机组齿轮箱振动数据分析结果都表明该特征值具有良好的故障与正常状态区分能力,且不同转速下该特征值具有稳定性.

简介：