公开(公告)号：CN111047515A

公开(公告)日：2020-04-21

申请号：CN201911387641.6

申请日：2019-12-29

Applicant: 兰州理工大学

Inventor： 宋昭漾 ,  赵小强 ,  徐铸业 ,  惠永永 ,  常启慧 ,  牟淼 ,  姚红娟 ,  刘舒宁 ,  张和慧 ,  魏伟

IPC: G06T3/40

Abstract: 本发明提供了一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法，该方法设计了基于注意力机制的空洞卷积模块、多通道基于注意力机制的空洞卷积模块、注意力残差块、多通道特征提取模块，在此基础上设计了基于注意力机制的空洞卷积神经网络。本发明方法提出使用空洞卷积实现多种不同尺寸的感受野去提取低分辨率图像特征信息，并利用注意力块提取图像高频信息。同时为了充分利用低分辨率图像特征信息之间的相关性并提取更多的特征信息，该方法设计了多通道基于注意力机制的空洞卷积模块，该模块采用多通道的方式使用不同的感受野对低分辨率图像进行特征提取，然后使用注意力残差块对各个通道提取到的特征进行深度的特征提取，有效提高了图像超分辨率重建效果。

公开(公告)号：CN110675321A

公开(公告)日：2020-01-10

申请号：CN201910920959.X

申请日：2019-09-26

Applicant: 兰州理工大学

Inventor： 宋昭漾 ,  赵小强 ,  惠永永 ,  徐铸业 ,  刘舒宁 ,  张和慧 ,  姚红娟

IPC: G06T3/40

Abstract: 本发明提供了一种基于渐进式的深度残差网络的超分辨率图像重建方法，主要包括如下步骤：(1)选择训练数据集和测试数据集，并对训练数据集图像进行旋转和比例缩放处理，扩充训练数据集图像；(2)将得到的训练数据集图像进行下采样处理；(3)将原始训练数据集图像和步骤2低分辨率图像分别裁剪成图像块；(4)将对应相同位置的步骤3原始图像块和低分辨率图像块作为高分辨率/低分辨率样本对，生成格式为HDF5的训练数据集文件；(5)搭建渐进式的深度残差网络；(6)训练渐进式的深度残差网络；(7)将低分辨率图像输入到上述渐进式的深度残差网络模型中，输出得到重建后的高分辨率图像。

公开(公告)号：CN119180213A

公开(公告)日：2024-12-24

申请号：CN202411349167.9

申请日：2024-09-26

Applicant: 兰州理工大学

Inventor： 张亚洲 ,  赵小强 ,  徐锦涛 ,  刘凯 ,  柴靖轩 ,  宋昭漾 ,  惠永永 ,  强睿儒 ,  郭海科 ,  姚青磊 ,  梁浩鹏 ,  陈鹏

IPC: G06F30/27 ,  G06F18/10 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G01M13/045 ,  G06F119/04

Abstract: 本发明提供一种基于双流时间卷积网络的滚动轴承剩余寿命预测方法及系统，方法包括以下步骤：采集轴承生命周期内的振动信号；对振动信号进行小波分解，获得低频信号以及高频信号；基于双流时间卷积网络分别对低频信号以及高频信号进行退化特征提取，并将提取的退化特征进行融合，获得融合退化特征；基于均方误差损失以及融合退化特征，进行基于双流时间卷积网络的滚动轴承剩余寿命预测，获得滚动轴承剩余寿命预测结果。本发明能够充分利用轴承退化历史数据，并能够捕获轴承健康状态与退化状态之间的长距离相关性，从而提升RUL预测的准确性。

公开(公告)号：CN117132472A

公开(公告)日：2023-11-28

申请号：CN202311290723.5

申请日：2023-10-08

Applicant: 兰州理工大学

Inventor： 李希尧 ,  赵小强 ,  脱奔奔 ,  顾鹏 ,  宋昭漾

IPC: G06T3/40 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了基于前向‑反向可分离自注意力的图像超分辨率重建方法，属于图像处理技术领域，包括；将获取的目标低分辨率图像输入至训练好的前向‑反向可分离自注意力网络模型中，输出对应的高分辨率图像；网络模型包括：浅层提取模块用于对输入的目标低分辨率图像进行初始特征提取；多个深层提取模块用于对初始特征进行多尺度特征提取，获得前向‑反向可分离自注意力网络模型的输出特征；上采样模块用于对输出特征进行上采样处理，获得上采样特征图；重建模块用于对上采样特征图进行处理，获得目标低分辨率图像对应的高分辨率图像；该方法其既可以多尺度提取不同的结构信息，又可提取重要信息，增强特征选择能力，提高了图像超分辨率重建精度。

公开(公告)号：CN117075582A

公开(公告)日：2023-11-17

申请号：CN202311154225.8

申请日：2023-09-08

Applicant: 兰州理工大学

Inventor： 牟淼 ,  赵小强 ,  曹释予 ,  惠永永 ,  宋昭漾 ,  刘凯 ,  脱奔奔 ,  徐蓉蓉

IPC: G05B23/02

Abstract: 本发明公开了一种基于DSECMR‑VAE的工业过程广义零样本故障诊断方法，涉及工业过程故障诊断技术领域，对于故障样本和故障语义属性向量两个不同模态的输入，利用两个变分自编码器进行特征嵌入得到两个潜变量，生成不可见类故障样本和可见类故障样本；对两个潜变量分布参数构建Barlow矩阵，衡量故障样本嵌入和故障语义属性向量嵌入之间分布的一致性，对两个分布进行一致性约束，使得潜变量充分描述输入信息的本质特征；对变分自编码器执行交叉模态重构，交叉模态重构利用来自不同模态的输入信息重构当前输入，提高潜变量的表征能力；基于得到的潜变量训练分类器从而实现对不可见类故障或可见类和不可见类共存的故障进行诊断。

公开(公告)号：CN111949012B

公开(公告)日：2023-05-05

申请号：CN202010943683.X

申请日：2020-09-09

Applicant: 兰州理工大学

Inventor： 姚红娟 ,  赵小强 ,  李炜 ,  惠永永 ,  宋昭漾 ,  牟淼 ,  刘凯

IPC: G05B23/02

Abstract: 本发明提供了一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法，包括如下步骤：(1)采集多个批次正常工况下的间歇过程数据，构成三维训练数据X；(2)将采集到的三维训练数据X展开为二维数据并进行标准化处理；(3)建立双权重多邻域保持嵌入模型，求取映射变换矩阵A，根据Y＝ATX，得到降维数据矩阵Y；(4)建立正常数据下霍特林统计模型T2和平方预测误差统计模型SPE的统计量，并求取其控制限；(5)采集在线的间歇过程数据，构成测试数据Xtest并对其展开并标准化处理；(6)将测试数据通过映射变换矩阵A进行投影，得到其降维数据矩阵Ytest；(7)求取测试数据的霍特林统计模型统计量T2和平方预测误差统计模型统计量SPE，判断有无故障发生。

公开(公告)号：CN114089717A

公开(公告)日：2022-02-25

申请号：CN202111218485.8

申请日：2021-10-18

Applicant: 兰州理工大学

Inventor： 姚红娟 ,  赵小强 ,  惠永永 ,  牟淼 ,  刘凯 ,  张妍 ,  宋昭漾 ,  梁浩鹏

IPC: G05B23/02

Abstract: 本发明提供了一种基于多向加权弹性网络的间歇过程质量相关故障检测方法，本发明引入加权策略来改进弹性网络，以增强故障特征并抑制噪声，并将过程划分为质量相关空间和质量无关空间，然后在这两个空间中分别基于支持向量数据描述(Support Vector Data Description，SVDD)建立监控指标以实现过程安全和产品质量的双重监测。

公开(公告)号：CN117516925B

公开(公告)日：2024-10-08

申请号：CN202311526466.0

申请日：2023-11-16

Applicant: 兰州理工大学

Inventor： 张亚洲 ,  赵小强 ,  徐蓉蓉 ,  梁浩鹏 ,  陈鹏 ,  惠永永 ,  柴靖轩 ,  宋昭漾 ,  牟淼 ,  刘凯 ,  强睿儒 ,  徐锦涛

IPC: G01M13/021 ,  G06F18/24 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/08 ,  G01M13/028

Abstract: 本发明公开了一种基于MSDC‑Swin‑T的齿轮箱故障诊断方法,涉及故障诊断技术领域，该方法包括如下步骤：获取齿轮箱的一维振动信号；对一维振动信号进行预处理；将预处理后的一维振动信号输入至训练好的MSDC‑Swin‑T诊断模型中进行故障诊断，输出齿轮箱故障诊断结果；MSDC‑Swin‑T诊断模型包括多尺度卷积令牌嵌入模块、Swin‑Transformer模块和softmax分类器。通过该方法可以在实现多尺度局部特征挖掘的基础上，减少计算量，提高齿轮箱故障诊断精度。

公开(公告)号：CN110675321B

公开(公告)日：2024-08-06

申请号：CN201910920959.X

申请日：2019-09-26

Applicant: 兰州理工大学

Inventor： 宋昭漾 ,  赵小强 ,  惠永永 ,  徐铸业 ,  刘舒宁 ,  张和慧 ,  姚红娟

IPC: G06T3/4076 ,  G06T3/4023 ,  G06T3/4046 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供了一种基于渐进式的深度残差网络的超分辨率图像重建方法，主要包括如下步骤：(1)选择训练数据集和测试数据集，并对训练数据集图像进行旋转和比例缩放处理，扩充训练数据集图像；(2)将得到的训练数据集图像进行下采样处理；(3)将原始训练数据集图像和步骤2低分辨率图像分别裁剪成图像块；(4)将对应相同位置的步骤3原始图像块和低分辨率图像块作为高分辨率/低分辨率样本对，生成格式为HDF5的训练数据集文件；(5)搭建渐进式的深度残差网络；(6)训练渐进式的深度残差网络；(7)将低分辨率图像输入到上述渐进式的深度残差网络模型中，输出得到重建后的高分辨率图像。

公开(公告)号：CN116502168B

公开(公告)日：2024-02-02

申请号：CN202310559773.2

申请日：2023-05-18

Applicant: 兰州理工大学

Inventor： 刘凯 ,  赵小强 ,  宋昭漾 ,  惠永永 ,  强睿儒 ,  张妍

IPC: G06F18/2433 ,  H04L41/14 ,  H04L43/04 ,  G06F18/15 ,  G06F18/213 ,  G06F18/214 ,  G06N3/045 ,  G06N3/08 ,  G07C3/00

Abstract: 本发明公开了基于孪生深度邻域保持嵌入网络的间歇过程故障检测方法，包括离线建模部分和在线监测部分；其中，在离线建模部分基于历史数据集构建SDeNPE网络；基于SDeNPE网络，采用核密度估计法获得两个历史数据集的置信度阈值；在在线监测部分，实时采集正常工况下间歇过程的在线操作数据，将多个在线操作数据均分为两个在线数据集，并分别对每个在线数据集进行标准化处理；将标准化处理后的每个在线数据集输入至SDeNPE网络中，获得每个在线数据集的在线数据统计量；通过该方法可以使故障检测过程中提取的特征更加多样化，从而快速准确(56)对比文件Hongjuan Yao 等.Batch processmonitoring based on global enhancedmultiple neighborhoods preservingembedding《.Transactions Of The InstituteOf Measurement And Control》.2022,第44卷(第3期),第620-633页.宋远大 等.基于完全邻域保持嵌入的光伏组件热斑故障诊断《.计算机集成制造系统》.2023,全文.赵小强 等.基于SPA间歇过程故障诊断的MKNPE算法《.兰州理工大学学报》.2016,第42卷(第03期),第82-87页.赵小强 等.基于改进NPE算法的间歇过程故障检测《.兰州理工大学学报》.2020,第46卷(第02期),第86-91页.Xiao-qiang Zhao 等.MKNPE algorithmbased on fault diagnosis of SPA batchprocess《.Journal of Lanzhou University ofTechnology》.2016,第42卷(第3期),第82-87页.