-
公开(公告)号：CN116678070A
公开(公告)日：2023-09-01
申请号：CN202310458300.3
申请日：2023-04-26
Applicant: 浙江工业大学
IPC: F24F11/32 , F24F11/63 , G06F18/241 , G06F18/10 , G06N3/0464 , G06N3/0455 , G06N3/09
Abstract: 用于建筑暖通空调系统的传感器故障在线智能自校正方法，属于建筑能源系统智能化运维技术领域。本方法利用自编码器的特征压缩能力学习暖通空调系统多参数间的约束关系，并利用高密度的约束关系重构系统运行数据，重构的过程中实现了传感器故障的校正；自编码器的模型输入为原始运行数据，输出为校正后的数据，该数据将传感器故障自行校正且不会影响正常的参数数值；同时，提出一种人工数据驱动的模型训练策略，利用蒙特卡罗算法随机构造传感器故障样本用于模型训练，完全摆脱了对标记样本的依赖；该方法可以部署于云端系统或本地服务器，用于对采集数据的预处理，经处理后的数据实现了传感器故障的自校正且不影响原始数据的特性。
-
公开(公告)号：CN116662735A
公开(公告)日：2023-08-29
申请号：CN202310596890.6
申请日：2023-05-25
Applicant: 浙江工业大学
IPC: G06F18/00 , G06F18/10 , G06F18/25 , G06N3/0464 , G06N3/045 , G06N3/0455 , G06N3/084 , G06N3/0895
Abstract: 基于改进自编码器的多信息融合压缩机缺陷诊断方法，属于全封闭压缩机缺陷诊断技术领域。包括以下步骤：1、搭建数据采集系统进行数据采集；2、寻优变分模态参数，对原始振动信号进行解耦和降噪；3、固有模态与原始振动信号进行融合作为模型的输入，提供更多的时域和时频域特征；4、把数据集划分为：无标签训练数据集、标签训练数据集和测试数据集；5、构建改进自编码器模型学习无标签训练样本的特征分布；6、利用标签训练集微调分类器参数，实现多传感器特征的融合；7、利用测试数据集对模型进行评估。本发明可以提取和融合不同传感器的时域和时频域特征用于压缩机的缺陷检测在少量标注样本的情况下，从而提高压缩机缺陷的检测率。
-
公开(公告)号：CN116609265A
公开(公告)日：2023-08-18
申请号：CN202310517688.X
申请日：2023-05-10
Applicant: 浙江工业大学
IPC: G01N19/08 , G01H17/00 , G06F18/10 , G06F18/213 , G06F18/241
Abstract: 本发明公开了一种基于图机器学习的小型全封闭压缩机隐性缺陷检测方法，重点解决小型全封闭压缩机在出厂整机检验时，由于压缩机型号繁多且更换频繁，传统机器学习模型泛化性不足，而导致更换型号后诊断精度下降的问题。本发明充分利用压缩机运行过程中壳体的振动信号，将其按照一种特殊的基于逻辑关系的构图方法转换成图结构的形式，后经图卷积神经网络进行表征学习，挖掘振动信号中更具共性的特征指标，从而提升模型的泛化性。本发明有效改善了现有小型全封闭压缩机隐性缺陷诊断方法无法适用于多个型号压缩机诊断的问题，提高了隐性缺陷诊断技术实际应用的可能性。
-
公开(公告)号：CN116378951A
公开(公告)日：2023-07-04
申请号：CN202310337019.4
申请日：2023-03-31
Applicant: 浙江工业大学
IPC: F04B51/00
Abstract: 本发明公开了一种封闭压缩机制造中产品缺陷在线检测装置及方法，在线检测装置采用多通道时频‑空间特征融合深度学习算法，将封闭压缩机整机壳体三个方向振动信号的时频特征进行信息融合，通过时频特征和空间特征的学习和提取，解决封闭压缩机制造缺陷的识别和分类，实现压缩机智能制造中将整机缺陷实时反馈到前端零部件加工和装配环节，建立封闭压缩机制造的智能闭环。同时，在线检测装置智能化程度较高，能在压缩机制造流水线生产节拍下自动完成整个缺陷检测过程，并对制造过程中产品缺陷类型与占比、缺陷产品数量、产品不良率等数据进行统计与反馈，显著提升封闭压缩机生产线制造的效率。
-
Patent Agency Ranking
公开(公告)号：CN117787087A
公开(公告)日：2024-03-29
申请号：CN202311650946.8
申请日：2023-12-04
Applicant: 浙江工业大学台州研究院
IPC: G06F30/27 , G06F30/28 , G06N3/042 , G06N3/0464 , G06N3/049 , G06N3/084 , G06N3/09 , G06N20/00 , G06T17/20 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种机器学习驱动的气液两相流仿真中气泡动态边界重构方法。方法包括：记录气泡视频并二值化处理；网格划分并预处理后构建特征数组和标签数组；训练时空卷积图神经网络获得预测模型；进行数值计算，将待求解区域进行网格划分，判断气泡边界所在网格，导出体积分数值输入模型中，输出预测界面位置，结合速度场计算流通量并更新下一体积分数值；循环直至预测所有预测界面位置，实现气泡动态边界重构。本发明重点解决了传统数值方法求解两相流问题中遇到的两相界面追踪精度有限、计算量大等问题，将机器学习与传统数值方法耦合，可准确预测每个时间步的气泡动态边界位置，为两相流问题的数值研究提供支撑。
-
公开(公告)号：CN117383101A
公开(公告)日：2024-01-12
申请号：CN202311223544.X
申请日：2023-09-21
Applicant: 浙江工业大学
Abstract: 本发明公开了一种可回收垃圾材料智能识别与分类装置及方法，一种可回收垃圾材料智能识别与分类装置及方法融合了深度学习算法和单片机控制技术等现代科技。通过多视角获取用户放置可回收垃圾材料的图像信息，利用内嵌的双通道深度算法对可回收垃圾材料的特征进行学习与提取，实现可回收垃圾材质的智能识别，再通过单片机按材质将垃圾进行自动分类。该装置将深度学习算法等技术运用至可回收垃圾的分类，实现垃圾回收前的智能识别与分类，提升城市垃圾分类的效率。
-
公开(公告)号：CN118410601A
公开(公告)日：2024-07-30
申请号：CN202410602265.2
申请日：2024-05-15
Applicant: 浙江工业大学台州研究院
IPC: G06F30/18 , G06F30/27 , G06F30/28 , G06N3/0464 , G06N3/09 , G06N3/084 , G06F119/14 , G06F119/08 , G06F119/12 , G06F111/04 , G06F113/14 , G06F113/08
Abstract: 本发明公开了一种物理嵌入图卷积网络的热流体管网瞬态流量评估方法。方法包括：将热流体管网的管路交汇节点的压力温度时序数据进行预处理后获得数据样本；基于管网结构信息进行图数据拓扑构建并赋值数据样本，获得赋值图数据；将赋值图数据输入物理嵌入图卷积网络中，使用物理嵌入损失函数并结合梯度下降法进行训练；采集待评估的节点时序数据后构建待评估赋值图数据，输入网络处理后输出图节点表征，进而获得连边表征以实现管网瞬态流量评估。本发明方法将管网结构信息融入图数据中，并利用物理嵌入图卷积网络的节点和连边表征学习得到管路瞬态流量，且网络训练无需瞬时流量标记样本，可通过物理嵌入损失函数达到训练目的，提升了流量评估精度。
-
公开(公告)号：CN118036679A
公开(公告)日：2024-05-14
申请号：CN202410285237.2
申请日：2024-03-13
Applicant: 浙江工业大学台州研究院
IPC: G06N3/0499 , G06N3/063 , G06N3/08
Abstract: 本发明公开了一种基于物理嵌入网络的换热器相变换热性能实时反演方法。方法包括：对换热器的内外介质的可测参数进行采样获得介质样本；根据介质样本进行热物性查表获得标签参数；构建物理嵌入神经网络，将介质样本作为输入，将标签参数和换热系数作为输出，对网络进行训练，直至总损失收敛完成训练；实时采集换热器的可测参数输入网络中，输出反演的换热系数并根据物理损失值实现评估。本发明将物理方程嵌入损失函数，且在无需标准换热系数标签的前提下实现网络预测；网络的输入参数无需依赖难以测量的参数，大幅提升工程适用性；在反演换热系数时同时输出物理损失值作为置信度参考，解决了传统神经网络黑箱模型输出时难以了解其可信度的问题。
-
公开(公告)号：CN221050589U
公开(公告)日：2024-05-31
申请号：CN202322570553.8
申请日：2023-09-21
Applicant: 浙江工业大学
Abstract: 本实用新型公开了一种可回收垃圾材料智能识别与分类装置；包括机械系统及控制系统，所述机械系统包括回收箱体、摄像头、交互显示屏、检测平台、回收仓仓体、传送机构及推送机构，所述控制系统包括工业控制计算机、RS‑485总线、单片机、脉冲模块、故障报警及满载指示灯；本实用新型通过多视角获取用户放置可回收垃圾材料的图像信息，实现可回收垃圾材质的智能识别，再通过将垃圾进行自动分类；实现垃圾回收前的智能识别与分类，提升城市垃圾分类的效率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
