一种缺陷齿轮分类方法、装置及计算机可读存储介质

    公开(公告)号:CN117892203A

    公开(公告)日:2024-04-16

    申请号:CN202410293547.9

    申请日:2024-03-14

    Applicant: 江南大学

    Abstract: 本发明涉及齿轮表面缺陷检测技术领域,尤其是指一种缺陷齿轮分类方法、装置及计算机可读存储介质,包括:构建缺陷齿轮深度迁移网络模型,所述缺陷齿轮深度迁移网络模型包括特征提取器、域条件通道注意力模块和分类器;将训练集样本输入特征提取器,再输入至域条件通道注意力模块,计算目标域和源域的分类输入特征在特征层上的距离损失以及目标域和源域的分类输出在分类层上的距离损失;构建损失函数,更新模型的网络参数;将无标签的目标域样本输入经过训练的缺陷齿轮深度迁移网络模型,得到分类结果。本发明不仅提高了对目标域缺陷齿轮分类的精度,并且在小批量缺陷齿轮分类检测方面表现出更加稳定的性能。

    基于非线性预测滤波算法的金属疲劳裂纹扩展预测方法

    公开(公告)号:CN112380705B

    公开(公告)日:2024-02-06

    申请号:CN202011279983.9

    申请日:2020-11-16

    Applicant: 江南大学

    Abstract: 本发明公开了基于非线性预测滤波算法的金属疲劳裂纹扩展预测方法,涉及金属结构健康监测与寿命预测领域,该方法包括:基于疲劳公式建立金属疲劳裂纹扩展的状态估计模型;提取Lamb波监测信号的特征值建立观测向量与状态估计向量的映射关系;在对模型的输入参数进行初始化设置之后,计算t‑1时刻的模型误差向量并用其修正状态估计模型的预测值,得到t时刻的状态估计向量;当裂纹长度估计值未超过临界裂纹长度值时,更新时刻后重新执行计算模型误差向量的步骤,并递推获得t+1时刻的状态估计向量,从而实现金属疲劳裂纹的扩展预测。该预测方法具有较高的预测精度和效率,在金属结构的健康监测与寿命预测方面具有广阔的应用前景。

    一种倒装焊芯片缺陷检测方法及系统

    公开(公告)号:CN115078552B

    公开(公告)日:2023-09-08

    申请号:CN202210789117.7

    申请日:2022-07-06

    Applicant: 江南大学

    Abstract: 本发明涉及一种倒装焊芯片缺陷检测方法及系统,包括:获取不同缺陷的倒装焊芯片振动信号样本并将振动信号样本分为训练样本和测试样本,利用多粒度扫描自动提取训练样本的特征信息得到变换特征向量,利用KPCA特征筛选通道对变换特征向量进行空间降维得到降维后的变换特征向量,将训练样本的变换特征向量和降维后的变换特征向量输入级联森林进行训练得到倒装焊芯片缺陷检测模型。本发明提供的倒装焊芯片缺陷检测模型对倒装焊芯片进行检测,提高了倒装焊芯片检测准确率,且能够实现倒装焊芯片中焊球缺陷种类和缺陷数量的精准检测。

    基于多路径匹配追踪算法改进的高频超声去噪方法及系统

    公开(公告)号:CN115236206B

    公开(公告)日:2023-06-20

    申请号:CN202210782948.1

    申请日:2022-06-30

    Applicant: 江南大学

    Abstract: 本发明实施例提供一种基于多路径匹配追踪算法改进的高频超声去噪方法及系统。该方法包括:获取待测样品的高频超声检测信号;根据所述高频超声检测信号构建离散过完备字典,并对所述离散过完备字典进行训练;利用训练好的字典,通过多路径匹配追踪算法重构所述高频超声检测信号并得到全局最优原子;对所述全局最优原子进行插值,构建连续原子库;在所述连续原子库中根据全局最优原子的参数,重构高频超声检测信号,完成信号去噪。本发明提高高频超声信号的信噪比和检测精度,可以更有效的观察到样品内部微缺陷的反射信号及位置。

    一种倒装焊芯片缺陷检测方法及系统

    公开(公告)号:CN115078552A

    公开(公告)日:2022-09-20

    申请号:CN202210789117.7

    申请日:2022-07-06

    Applicant: 江南大学

    Abstract: 本发明涉及一种倒装焊芯片缺陷检测方法及系统,包括:获取不同缺陷的倒装焊芯片振动信号样本并将振动信号样本分为训练样本和测试样本,利用多粒度扫描自动提取训练样本的特征信息得到变换特征向量,利用KPCA特征筛选通道对变换特征向量进行空间降维得到降维后的变换特征向量,将训练样本的变换特征向量和降维后的变换特征向量输入级联森林进行训练得到倒装焊芯片缺陷检测模型。本发明提供的倒装焊芯片缺陷检测模型对倒装焊芯片进行检测,提高了倒装焊芯片检测准确率,且能够实现倒装焊芯片中焊球缺陷种类和缺陷数量的精准检测。

    基于K-SVD训练局部字典的高频超声稀疏去噪方法及系统

    公开(公告)号:CN113449683A

    公开(公告)日:2021-09-28

    申请号:CN202110800782.7

    申请日:2021-07-15

    Applicant: 江南大学

    Abstract: 本发明公开了一种基于K‑SVD训练局部字典的高频超声稀疏去噪方法及系统,包括以下步骤:获取待测样品的高频超声检测信号;将获取的超声检测信号截取为长度为n的局部信号,组成数据集;利用数据集和K‑SVD训练局部字典;利用训练好的局部字典对局部信号进行稀疏分解,得到稀疏系数矩阵;利用稀疏系数矩阵重构超声检测信号的所有局部信号;利用重构的所有局部信号和贝叶斯最大后验概率估计全局信号,重构全局高频超声检测信号,完成去噪。本发明提高高频超声信号的信噪比和检测精度,可以更有效的观察到样品内部微缺陷的反射信号及位置。

    一种基于失效面理论的复合材料层合板强度分析方法

    公开(公告)号:CN111709174A

    公开(公告)日:2020-09-25

    申请号:CN202010559632.7

    申请日:2020-06-18

    Applicant: 江南大学

    Inventor: 顾杰斐 李可 宿磊

    Abstract: 本发明公开了一种基于失效面理论的复合材料层合板强度分析方法,涉及复合材料结构失效分析领域,该方法包括:基于三维失效面理论确定材料损伤柔度矩阵的计算公式,从而建立起复合材料力学本构关系;采用失效面上的应力构造失效准则以判断复合材料是否失效及其失效模式,并基于失效面坐标系进行复合材料的刚度退化。通过对有限元软件进行二次开发建立了复合材料层合板的三维有限元模型,仿真模拟了复合材料层合板损伤起始、损伤演化和最终破坏的完整过程。该方法物理机制明确,能较好地预测复合材料层合板的失效载荷与失效模式,在很大程度上提高了复合材料层合板强度分析的预测精度,从而避免进行大量耗时长、成本高的试验测试。

    基于改进的稀疏分解算法的齿轮故障检测方法

    公开(公告)号:CN111678691A

    公开(公告)日:2020-09-18

    申请号:CN202010732900.0

    申请日:2020-07-27

    Applicant: 江南大学

    Abstract: 本发明公开了一种基于改进的稀疏分解算法的齿轮故障检测方法,涉及故障检测技术领域,该方法在传统基于参数字典稀疏重构的基础上,增加了对信号的预处理及对参数字典的优化设计,利用双树复小波分解结合最大峭度原则实现信号的预处理,大大降低了噪声对后续处理的影响,基于拉普拉斯小波的相关滤波确定目标特征参数从而构建过完备字典,不仅可以有效的缩减字典冗余度而且可以使得设计的字典与故障特征更为相似,最后结合匹配追踪算法以实现对振动信号中冲击特征的提取实现故障检测,该方法可以提高稀疏表示的计算效率,实现有效的故障诊断。

    基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法

    公开(公告)号:CN111239137A

    公开(公告)日:2020-06-05

    申请号:CN202010019933.0

    申请日:2020-01-09

    Applicant: 江南大学

    Abstract: 本发明提供一种基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法,涉及机器视觉与谷物质量检测领域,该方法包括:采集源领域以及目标领域下的谷物样本图像,其中包括合格谷物的样本图像与带有缺陷的谷物的样本图像,选择深度卷积神经网络CNN模型识别缺陷,利用源领域训练好的模型参数初始化CNN模型,并引入迁移学习算法利用源领域样本辅助目标领域样本完成目标领域谷物的质量检测。在CNN模型的训练中提出自适应学习率,并引入二次函数与正态分布模型分别采取梯度下降与梯度上升的方式更新模型参数,优化模型损失。该方法能够提高CNN模型的训练性能,自适应领域的变化,极大程度的提高谷物质量检测的准确性。

    一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法

    公开(公告)号:CN110231404A

    公开(公告)日:2019-09-13

    申请号:CN201910519618.1

    申请日:2019-06-17

    Applicant: 江南大学

    Abstract: 本发明公开了一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法,涉及机器学习技术领域,该方法针对样本芯片原始的时域振动信号,根据特征提取方法,从时域、频域和时频域分别提取特征,通过输入极限学习机中进行学习和分类后得到焊点检测模型,利用焊点检测模型即能自动检测出芯片中是否存在倒装焊焊点缺失缺陷,从而快速高效将缺陷芯片和正常芯片区分出来,与传统的人力视觉检测不同,该方法机器化、自动化程度高,且检测结果客观性和准确性更好,为实现更加快速且高效的倒装焊焊点缺失缺陷检测提供了方法。

Patent Agency Ranking