-
公开(公告)号：CN101251753A
公开(公告)日：2008-08-27
申请号：CN200810060943.8
申请日：2008-04-08
Applicant: 浙江大学
IPC: G05B19/414
Abstract: 本发明公开的基于FPGA的具有并行处理结构的高速伺服控制器包括现场可编程逻辑门阵列(FPGA)，两个A/D转换器，D/A转换器，晶振、键盘模块、显示模块、FLASH存储器、SDRAM存储器和EEPROM存储器，其中现场可编程逻辑门阵列包括两个A/D转换控制模块，D/A转换控制模块，用于控制计算的核心控制模块、时钟模块、两个双口RAM和软核处理器。该伺服控制器可以实现PID控制计算的硬件化以及A/D转换、控制计算和D/A转换的流水线化并行处理，显著缩短了控制周期；实现软核处理器对核心控制模块的监控和人机交互，具有极快的运算速度和高度的灵活性，可广泛应用于工业自动化领域的伺服控制系统中，适用范围广。
-
公开(公告)号：CN101243977A
公开(公告)日：2008-08-20
申请号：CN200810061165.4
申请日：2008-03-13
Applicant: 浙江大学
Abstract: 三自由度平移机械手背俞穴阻抗检测方法，包括以下步骤：(1)背俞穴坐标的自定标过程；(2)根据人体各背俞穴的分布情况以及上述的自定标参数，计算人体各个背俞穴的Y轴坐标，左侧背俞穴的X轴坐标和右侧背俞穴的X轴坐标；(3)阻抗扫描过程：移动三自由度平移机械手，令探测电极在X、Y轴平面上左右侧背俞穴的投影中心位于坐标处，输出阻抗检测激励信号，据背俞穴的穴位的Y轴坐标查询到对应的阻抗。以及实现三自由度平移机械手背俞穴阻抗检测方法的系统。本发明提供一种通过机械手自动检测、定位准确、检查结构可靠性强的三自由度平移机械手背俞穴阻抗检测方法及系统。
-
公开(公告)号：CN119512058B
公开(公告)日：2025-04-18
申请号：CN202510083126.8
申请日：2025-01-20
Applicant: 浙江大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于RNN和DTW的特种燃料输送过程时序数据异常检测方法，首先获取特种燃料输送过程监控系统传感器历史采集数据，离线训练阶段采用RNN，将正常工况下数据分为训练序列集和基准序列集，通过RNN将训练序列集映射至训练序列特征集，逐一比较基准序列和训练序列集相似度，通过基准序列集确定相似度预警和报警阈值；在线检测时，实时序列和训练序列集中最相似的序列相似度超过阈值时进行预警和报警。本发明可以在复杂动态非线性、多工况条件下实时稳定检测出特种燃料输送过程时序参数异常，能够有效应对高安全可靠场景中异常样本不平衡条件下的关键参数异常检测问题，检测速度快、漏报率低，能够实现工业级实时检测。
-
公开(公告)号：CN119599189A
公开(公告)日：2025-03-11
申请号：CN202411660194.8
申请日：2024-11-20
Applicant: 浙江大学
IPC: G06Q10/04 , G06Q50/04 , G06F18/2431 , G06F18/27 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/048 , G06N3/0455 , G06N3/084 , G06N3/0442 , G06N3/096
Abstract: 本发明公开了一种基于目标相关时空编码‑任务解码的协调优化多步预测方法，构建由多个空间注意力增强的时序卷积模块堆叠而成的时空编码器，对目标值历史序列进行完全自适应噪声集合经验模态分解；构建参数共享机制，使用多任务学习的范式训练时空编码器和任务特定解码器构成的多步预测模型；训练输入为预处理后的历史工业过程生产数据，使用梯度调整机制和动态权重分配方法减少多任务间的梯度冲突；预处理实时工业过程生产数据，输入训练好的预测模型，得到预测结果。本发明能够有效协调不同预测任务之间的关系，优化整体模型性能，通过动态调整多任务之间的权重分配和梯度流，更有效地处理长期预测中遇到的挑战。
-
公开(公告)号：CN119314329A
公开(公告)日：2025-01-14
申请号：CN202411356989.X
申请日：2024-09-27
Applicant: 浙江大学
IPC: G08G1/01 , G06F18/2415 , G06F18/231 , G06F18/23213 , G06N3/0442 , G06N3/045 , G06N3/098
Abstract: 本发明公开一种基于交通模式分类的联邦学习交通预测方法，该方法首先对待预测的交通数据管理中心的交通数据进行聚类，根据聚类后的结果，构建标签，构建基于多层感知器的交通模式分类模型；然后将交通模式分类模型的模型参数共享给其他交通数据管理中心，由它们对本地交通数据进行分类，然后利用分类后的各个类别数据集按照联邦学习框架分别训练门控循环单元GRU，得到每个类别的GRU的模型参数；最后，对待预测的交通数据管理中心的未来交通流进行分类，并用对应类别的GRU的模型参数对待预测的交通数据管理中心的未来交通流进行预测。
-
Patent Agency Ranking
公开(公告)号：CN119226888A
公开(公告)日：2024-12-31
申请号：CN202411370323.X
申请日：2024-09-29
Applicant: 浙江大学
IPC: G06F18/241 , G06F18/22 , G06N3/0895 , G06N3/088 , G06N3/09 , G06F18/213 , G06N3/047
Abstract: 本发明公开了一种持续无监督域适应故障诊断方法，采集旋转机械设备的源域和目标域故障数据；采取基于度量和表征学习的原型对比学习策略，用源域数据预训练故障诊断模型，得到均匀分割的单位超球面特征空间，故障诊断模型包括特征提取器和余弦相似度分类器；冻结源域预训练得到的原型，对故障诊断模型进行结合源域数据的有监督训练，实现对目标域的持续域适应；进行源特征知识蒸馏和局部域对齐，并最大化特征与原型之间的互信息损失，结合源域数据对故障诊断模型进行有监督训练；故障诊断模型完成当前所有目标域的学习后，应用到实际故障诊断中。本发明能快速有效地适应新的数据分布，并保持模型在历史数据分布上的性能，避免知识遗忘。
-
公开(公告)号：CN115099270B
公开(公告)日：2024-12-31
申请号：CN202210684731.7
申请日：2022-06-16
Applicant: 浙江大学
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G06N3/0475 , G06N3/045 , G06N3/094 , G01M13/045
Abstract: 本发明公开了一种基于子域适应对抗网络的变负载下轴承故障诊断方法，属于旋转机械故障诊断领域。本发明利用一维卷积子域适应对抗网络模型，提取域不变特征，建立了一个有效的跨负载滚动轴承故障诊断模型，实现了目标域上的无监督故障诊断，缓解了实际应用中故障数据标记信息稀少的问题，提高了滚动轴承故障诊断的有效性和准确性，从而保障了现代旋转机械运行的安全与可靠性以及设备部件供应的快速与准确性。
-
公开(公告)号：CN114692507B
公开(公告)日：2024-08-06
申请号：CN202210403851.5
申请日：2022-04-18
Applicant: 浙江大学
IPC: G06F30/27 , G06F17/18 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种基于堆叠泊松自编码器网络的计数数据软测量建模方法，其中提出了一种堆叠泊松自编码器网络结构。该编码器在预训练阶段引入计数型质量变量来指导特征提取，且针对计数数据的离散性，质量变量是通过泊松回归网络层的方式集成到深度堆叠自编码器框架中，使得模型学习到的特征表示与计数型质量变量高度相关。本发明方法不仅提升了计数数据软测量模型的特征提取能力，并且提升了计数型质量变量的预测效果。
-
公开(公告)号：CN113985853B
公开(公告)日：2024-04-26
申请号：CN202111283027.2
申请日：2021-11-01
Applicant: 浙江大学
IPC: G05B23/02
Abstract: 本发明公开一种基于数据依赖核判别分析的聚乙烯过程可视化监控方法，该方法首先收集工业过程的正常工况数据与异常工况数据，建立类内紧密度与类间分离度，并基于t分布相似度与KL散度构建空间结构约束项，进而建立数据依赖核判别分析优化函数，然后利用内点法计算得到模型数值解，并利用狄洛尼三角剖分建立可视化过程监控模型。相比传统算法，本发明可以大大提高过程监控的准确率，并可为过程操作人员提供更为直观的系统运行状态与异常轨迹。
-
公开(公告)号：CN117349748A
公开(公告)日：2024-01-05
申请号：CN202311299726.5
申请日：2023-10-09
Applicant: 浙江大学
IPC: G06F18/2415 , G06F18/21 , G06N3/084 , G06N3/098 , G06N3/048 , G06N3/047 , G06N3/0895
Abstract: 本发明公开一种基于云边协同的主动学习故障诊断方法，包括：云端根据已有标注样本迭代训练故障诊断模型，并将本次训练后的模型参数传输给边缘设备；边缘设备接收后，更新故障诊断模型的模型参数，用新模型对边缘设备储存的样本进行特征提取和预测，并采用基于流的主动学习方法，对数据流进行评估，更新不确定性阈值，并将挖掘出的待标注样本传输给云端；云端将待标注样本发给标注员或者标注系统进行标注，得到样本的真实标签；云端回收分发的标注样本，结合已有的标注样本，对故障诊断模型进一步训练，更新模型参数，并将新的模型参数传给边缘设备；重复上述步骤，直至故障诊断模型训练结束。本方法能够显著提高边缘设备分类困难样本筛选效率。
-
-
-
-
-
-
-
-
-
Search Results
158
records
(took 0.022 seconds)
