-
公开(公告)号：CN115774931A
公开(公告)日：2023-03-10
申请号：CN202211484016.5
申请日：2022-11-24
Applicant: 东南大学
IPC: G06F30/20 , G06V10/764 , G06V10/774 , G06N3/0442 , G06N3/08
Abstract: 一种基于数据驱动模型的回转滚筒内部颗粒流预测和分类方法，该方法结合回转滚筒离散元模型生成的颗粒流动数据，提取出与颗粒运动行为的相关特征，通过长短期记忆LSTM方法构建数据驱动模型，对回转滚筒内部混合颗粒的流动数据时序特征进行预测，并对回转滚筒的多种工况标签进一步分类。该方法结合离散元模型能够提供每个粒子轨迹的可视化，采集代表滚筒内部颗粒流动特征的宏观和微观数据。该方法基于数据驱动模型，从离散元模拟的历史数据中提取出与颗粒运动行为相关的特征表示，并通过挖掘混合颗粒运动全过程数据，建立和运动状态相关的映射关系。因此，使回转滚筒内部混合颗粒流动的预测和分类方法，能够低成本、更高效、更快速实现。
-
公开(公告)号：CN115452889A
公开(公告)日：2022-12-09
申请号：CN202211050790.5
申请日：2022-08-30
Applicant: 东南大学
Abstract: 本发明公开了一种基于红外热像序列的材料损伤缺陷边缘提取方法，解决了由红外热像序列中材料损伤缺陷边缘自适应提取的问题，其技术方案要点包括：首先获取原始材料降温过程红外热图像序列，然后根据各像素点对应的温度序列计算衰减速率，获得试件衰减速率特征图，再对特征图中元素对应衰减速率特征值分别以行、列构建拟合每行、每列对应的特征曲线函数，对特征曲线函数进行求一次导数，得到试件衰减加速度图，最后从试件衰减加速度图上搜索极值点，连接所求得极值点得到损伤缺陷边缘，实现材料损伤缺陷边缘提取。
-
公开(公告)号：CN114091349A
公开(公告)日：2022-02-25
申请号：CN202111447955.8
申请日：2021-11-30
Applicant: 东南大学
IPC: G06F30/27 , G06F119/04
Abstract: 本发明涉及一种基于多源领域自适应的滚动轴承寿命预测方法，包括步骤如下：在多种工况条件下采集滚动轴承的全寿命、多通道振动信号，构建多源域轴承全寿命数据集；对经过降噪预处理的多通道振动信号提取时频域特征；确定超参数以构建多源领域自适应网络，使用多源域和目标域训练数据集训练该网络实现回归误差最小化和多源领域自适应；收集测试数据并导入训练完成的多源领域自适应网络以获得剩余寿命预测。本发明的多工况滚动轴承寿命预测方法采用的模型具有泛化能力强、鲁棒性强、准确度高等优点。
-
公开(公告)号：CN110849968B
公开(公告)日：2021-12-17
申请号：CN201911069429.5
申请日：2019-11-05
Applicant: 东南大学
Abstract: 一种基于自适应优化VMD的起重机主梁损伤声发射无损检测方法，步骤如下：(1)在起重机主梁安装相应的传感器建立结构损伤声发射监测系统，获得损伤过程的声发射信号。(2)对采集到的声发射信号进行自适应优化VMD处理，实现原始信号的自适应滤波和降噪处理。(3)依据声发射重构波形的频域特性，确定损伤过程中声发射事件的重心频率分布。(4)通过分析声发射信号的重心频率分布范围，建立损伤重心频率评价指标，判断起重机主梁的不同损伤阶段。本发明简单易行，该方法可对起重机主梁的内部损伤进行实时动态的损伤监测与识别。
-
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。
-
Patent Agency Ranking
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：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：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。
-
-
-
-
-
-
-
-
-
Search Results
178
records
(took 0.028 seconds)
