-
公开(公告)号：CN113553903A
公开(公告)日：2021-10-26
申请号：CN202110659503.X
申请日：2021-06-11
Applicant: 东南大学
Abstract: 本发明涉及一种深度时间卷积网络的旋转机械健康评估方法，包括以下步骤：采集多元振动信号；双层时间卷积网络提取局部关键的机械退化信息重构多元特征；采用残差自注意力机制提取退化特征，利用池化操作进行退化特征降维；进一步深化时间卷积网络层数并计算更具有表征能力的退化特征；采用无监督域适应架构学习退化特征之间的域不变性表示得到不同域之间的可迁移退化特征；整体模型的参数求解、更新、优化。本发明通过域适应框架和残差自注意力机制，能够较好的解决传统域适应框架中泛化能力差的问题，同时可较好的保留多元振动信号中的退化信息，实现了对退化特征的全面提取。
-
公开(公告)号：CN113111911A
公开(公告)日：2021-07-13
申请号：CN202110257434.X
申请日：2021-03-12
Applicant: 东南大学
Abstract: 本发明涉及一种基于主成分分析与门控循环单元网络的缺陷深度检测方法，旨在解决现有深度检测方法准确率低的问题。包括以下步骤：1)制备训练试件，选择标记点；2)对训练试件进行脉冲热激励；3)采集试件热激励阶段和冷却阶段表面温度数据；4)由各标记点温度的时间序列构建缺陷初始特征矩阵；5)利用PCA方法对初始特征矩阵进行特征提取，添加样本标签作为训练集；6)构建GRU网络模型，用训练集进行训练，得到板材缺陷深度定量检测模型；7)制备待检测试件并选取标记点，采用同样的脉冲激励、特征提取方法获取测试集，输入到检测模型，得到检测试件标记点的缺陷深度。能快速对板材缺陷深度进行定量检测，检测效率和准确度高，适用性广。
-
公开(公告)号：CN111941798A
公开(公告)日：2020-11-17
申请号：CN202010514394.8
申请日：2020-06-08
Applicant: 东南大学
Abstract: 本发明属于化工设备的挤出机械双螺杆挤出机的领域，是一种双螺杆挤出机的双头-三头捏合块的组合。双头捏合块的每一片的两个头是相对的两个的圆弧，头与头之间由圆弧连接。三头捏合块的每一片设置三个头，头与头之间通过圆弧连接。双头捏合块设置在组合的两端；两个相互配合的双头-三头捏合块组合中，双头捏合块单片在相对于三头捏合块的排布有90°的相位差。双头-三头捏合块组合中，三头捏合块单片的排布有90°、60°、45°和30°。此双头-三头捏合块组合，安装在螺杆的输送段，可实现对粉末状或松散状态原料的粉碎混合，并有更好的充分打击、挤压和剪切效果，确保进入螺杆的压缩段和计量段的材料均一稳定，保证材料性能。
-
公开(公告)号：CN109781412B
公开(公告)日：2020-10-27
申请号：CN201910142223.4
申请日：2019-02-26
Applicant: 东南大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于EEMD的滚动轴承自适应共振解调方法。该方法包括以下步骤：步骤1，在滚动轴承附近安装加速度传感器采集轴承运行时的振动信号；步骤2，对采集到的振动信号进行EEMD分解和重构，实现原始信号的自适应滤波；步骤3，初始化切比雪夫I型带通滤波器参数；步骤4，在峭熵比指标下使用网格搜索算法自适应寻优滤波器的中心频率和带宽；步骤5，对滤波后信号包络解调得到包络谱并结合轴承相关故障特征频率得出诊断结果。本发明采用二次滤波，增强轴承故障信号的同时实现共振解调的自适应性，较其他方法具有更高的可靠性和诊断精度。
-
公开(公告)号：CN110292745B
公开(公告)日：2020-10-02
申请号：CN201910686267.3
申请日：2019-07-29
Applicant: 东南大学
IPC: A63B21/075
Abstract: 本发明公开了一种杠铃片自动安装系统，包括杠铃片存放区、杠铃杆平移系统和杠铃片安装系统；所述杠铃片存放区对称放置于杠铃杆两侧，杠铃杆平移系统和安装系统位于中部。配合传感器的使用，实现自动安装的功能。本发明提供一个思路和一组设备，能够完成杠铃片的自动安装，方便了训练者对杠铃的使用；防止杠铃在安装过程中可能出现的安全问题，使杠铃有关运动的安全性得到充分保障。
-
Patent Agency Ranking
公开(公告)号：CN111489351A
公开(公告)日：2020-08-04
申请号：CN202010312435.5
申请日：2020-04-20
Applicant: 东南大学
Abstract: 本发明公开了一种基于堆栈图像测量表层偏析程度的视频分析方法，该方法基于图像识别和图像分析的原理，通过将采集视频中的颗粒表层偏析图片序列进行堆栈并视为一个整体，并使用颜色空间转换来提取所需像素，将表层颗粒浓度转化为像素浓度，从而对颗粒表层偏析程度进行准确评估。该方法无需停机取样或使用侵入式探针，弥补了传统方法用于实验研究时需要重复停机采集图片，滚筒内颗粒偏析状态在停机过程中容易受到影响的缺陷，从而使量化颗粒表层偏析程度的实验过程可以以更快速度实现，这将有利于更好的分析和研究颗粒体系混合和偏析性能及其影响因素。
-
公开(公告)号：CN111428793A
公开(公告)日：2020-07-17
申请号：CN202010227425.1
申请日：2020-03-27
Applicant: 东南大学
Abstract: 本发明提出了一种改进的证据相异度指标和改进的证据融合算法，包括如下步骤1～6。步骤1、基于所提出改进证据相异度，计算不同证据体间的相异度指标；步骤2、根据证据相异度计算不同证据体间的支持度，构造支持度矩阵；步骤3、计算支持度矩阵的特征值和特征向量；步骤4、将最大特征值所对应的特征向量作为各个证据体的权值系数；步骤5、除了权值最大的证据体外，将权值系数作为折扣因子对其余各个证据体进行修正；步骤6、对修正后的证据体通过进行D-S组合公式进行证据融合，并完成最终决策。该方法能够更有效地评估不同证据体之间的冲突程度，提高了证据融合的准确性和精度，从而降低了决策风险。
-
公开(公告)号：CN111291918A
公开(公告)日：2020-06-16
申请号：CN202010010925.X
申请日：2020-01-06
Applicant: 东南大学
Abstract: 本发明公开了一种平稳子空间外源矢量自回归的旋转机械退化趋势预测方法，包括步骤如下：首先，对去噪后的多通道信号进行第一次平稳子空间分解提取振动平稳分量；接着提取时、频域退化特征量并通过特征融合得到高维退化指标向量组；再将时、频域下高维退化指标向量组进行第二次平稳子空间分解以及差分运算提取退化指标中的弱平稳成分作为旋转机械退化指标；将退化指标进行平稳性检验、脉冲响应分析并确定内源、外源变量以及模型阶数，通过最大似然估计确定矢量自回归模型参数，最后对旋转机械进行不同预测起始点下的退化趋势估计。本发明得到的退化趋势预测模型不仅在小样本学习下拥有良好泛化能力，而且计算迅速，可释性强。
-
公开(公告)号：CN111223088A
公开(公告)日：2020-06-02
申请号：CN202010049394.5
申请日：2020-01-16
Applicant: 东南大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于深度卷积神经网络的铸件表面缺陷识别方法；该方法包括步骤如下：1.收集铸件表面缺陷图像并对图像进行标注，建立一个常见铸件表面缺陷的数据集；2.构建深度卷积神经网络缺陷识别模型；3.构建网络损失函数；4.将数据集分为训练集和测试集，使用训练集对缺陷识别网络进行训练；5.将测试图像输入训练好的网络，就可以识别出缺陷的位置、类型和大小；本发明提升了铸件表面缺陷的识别精度和识别性能，推动了铸件质量检测的在线化、智能化和自动化发展。
-
公开(公告)号：CN109186973B
公开(公告)日：2020-03-31
申请号：CN201810949099.8
申请日：2018-08-20
Applicant: 东南大学
Abstract: 本发明公开了一种无监督深度学习网络的机械故障诊断方法，包括步骤如下：(1)在机械设备的轴承等部件附近安装相应的传感器对振动信号进行采集，得到机械的振动信号;(2)将采集的振动信号转化为混合域故障特征数据集，并分为测试与训练样本特征子集；(3)将训练样本特征子集输入到所构建的无监督深度学习网络(UDLN)模型中学习与训练，该UDLN模型由两层改进的稀疏滤波(L12SF)无监督特征提取层及一层加权欧式距离相似仿射(WE‑AP)聚类层组成；(4)将测试样本输入到训练好的诊断模型，实现全程无监督特征学习与故障聚类。(5)根据测试样本聚类划分的隶属程度计算其识别率，实现故障识别与诊断。本发明简单易行，该方法可对机械设备的各类故障进行自适应的无监督故障诊断。
-
-
-
-
-
-
-
-
-
Search Results
177
records
(took 0.026 seconds)
