目前,水凝胶挤出式打印成型过程中极易出现成型问题,例如打印断丝和打印物体坍塌现象时有发生。所以通常打印时需要实验员长时间守在打印设备附近,观察打印情况。但由于打印时间较长,这样十分浪费时间和人力。针对这一情况,采用计算机视觉技术,利用卷积神经网络技术设计了针对水凝胶挤出式打印成型的实时监测系统。通过对打印过程中出现的情况建立数据集,借用Caffe框架的便利,对神经网络结构进行修改优化,并通过数据集进行训练获得网络模型。然后,对网络模型进行了"正常"、"断丝"、"坍塌"、"阻挡"4种类型状况下检测识别率的实验验证。实验证明该检测模型平均准确度达78%。另外,该实验使用PyQt5软件通过Python语言为该系统设计了人机交互界面,实现了数据可视化。

针对液压系统故障的复杂性和不确定性等特点，传统的故障推理方法难以满足液压系统故障诊断的要求，提出了基于故障树分析和专家经验知识的模糊神经网络故障诊断方法。以起重设备液压系统为研究对象，建立故障树模型，基于故障树信息和专家经验知识，建立模糊神经网络诊断模型及并提取训练数据，在此基础上，运用统计参数法确定模糊预处理所需的模糊隶属函数。将训练好的网络模型应用于实例诊断，实验结果验证了该方法的实用性和有效性。

为了研究汽车起重机回转液压系统故障诊断问题，提高诊断效率。为有效提高汽车起重机回转液压系统故障诊断的速度与精度，针对传统故障诊断算法收敛速度慢、容易陷入局部最优，导致诊断精度不高的问题，提出了一种根据小波包能量熵的粒子群神经网络汽车起重机回转液压系统故障诊断方法（EE—PSONN）。首先依托汽车起重机回转液压系统实验平台，提取五种回转故障模式信号；然后利用小波包变换提取Shannon熵值，作为故障输入特征向量；最后利用粒子群优化算法提升BP神经网络，对故障进行建模识别。试验表明此法具有较高识别率．为汽车起重机回转液压系统故障诊断提供一种有价值的诊断方法。