-
公开(公告)号：CN110222729A
公开(公告)日：2019-09-10
申请号：CN201910406071.4
申请日：2019-05-15
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于改进深度残差网络的三维CAD模型智能分类方法，通过三维CAD模型的多张视图表征该模型，将视图通过数据增强得到多视图数据集，进一步采用灰度变换和归一化处理得到训练数据集；将训练数据集导入到改进的深度残差网络中进行训练，并将训练好的网络保存；当需要分类时，获取新模型任意大小的一个或多个视图并进行预处理，进一步调用训练好的网络对输入视图进行识别，最后将各视图识别结果求均值后得分最高的类别作为该模型所属的类别。本发明采用改进的深度残差网络，实现了对三维CAD模型的智能分类，具有分类输入灵活方便、分类准确率高、实用性好、智能化程度高等特点。
-
公开(公告)号：CN109764956A
公开(公告)日：2019-05-17
申请号：CN201811607626.3
申请日：2018-12-27
Applicant: 西安交通大学
IPC: G01H17/00
Abstract: 本发明公开了一种基于组合优化正则化方法的近场声全息方法，利用在全息面上测得的各点声压，在统计最优柱面近场声全息理论方法的基础上，对选取的波数矢量采用截断奇异值和标准Tikhonov组合优化正则化方法抑制噪声和随机误差引起的波数矢量的测量误差，即组合优化正则化方法，利用组合优化正则化方法和GCV方法求取叠加系数矩阵和在全息面上测得的各点声压，将壳体结构装备表面各点声压表示为共形测量面声压的线性叠加，即可获得壳体结构装备表面声场，充分展示了其在壳体辐射噪声分析中的有效性，适用于柱形壳体结构，将柱形水下航行器射声场以可视化的方式显示出来，从而可以直观看出辐射声场的大小及分布情况，具有重要的理论意义及工程应用价值。
-
公开(公告)号：CN119887151A
公开(公告)日：2025-04-25
申请号：CN202411698246.0
申请日：2024-11-26
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于安全强化学习的多部件系统维修决策方法，根据历史故障数据建立关键部件的双参数威布尔分布失效率函数；考虑维护类型、维护次数和维护成本等因素对性能的影响，构成多模式维护策略，使用役龄回退因子表征维修行为对部件性能提升的影响；引入拉格朗日乘子法，建立基于独立近端策略优化算法的安全强化学习网络模型；在安全约束下以维修成本最小为目标训练模型，在强化学习框架下完成多部件系统的维护仿真。本发明能够克服复杂系统目标函数建模难和缺少安全约束的难题，降低系统总体运维成本，有效解决关键部件何时维修、如何维修的问题，为多部件系统提供安全、经济和可靠的维修方案。
-
公开(公告)号：CN119415861A
公开(公告)日：2025-02-11
申请号：CN202411371683.1
申请日：2024-09-29
Applicant: 西安交通大学 , 中国航发沈阳发动机研究所
Abstract: 本发明提供了一种数据驱动的运行工况传递路径分析方法，步骤包括：获取目标机械系统的指示点和目标点的振动信号，通过计算得到预测最优的传递率；构建目标函数，代入所述预测最优的传递率，通过迭代优化以获得最终的数据驱动的传递率；基于上述数据驱动的传递率，预测实际目标点信号，并评估各条运行工况传递路径对实际目标点信号的振动贡献量。本发明克服了盲目选择目标试验数据导致分析精度下降的缺陷，可达到较高的分析精度。
-
公开(公告)号：CN119091904A
公开(公告)日：2024-12-06
申请号：CN202411024459.5
申请日：2024-07-29
Applicant: 西安交通大学
IPC: G10L21/0232 , F17D5/06 , G10L21/0272 , G10L21/0316
Abstract: 本发明公开了一种管道泄漏声发射信号降噪方法及相关装置，包括：获取管道泄漏时的声发射信号和管道未泄漏时的噪声信号；对声发射信号和噪声信号分别进行降采样处理，得到降采样后的声发射信号和噪声信号；对降采样后的声发射信号和噪声信号进行分数阶傅里叶变换，得到分数域上的声发射信号和噪声信号；利用分数域上的噪声信号作为参考信号，对分数域上的声发射信号进行LMS自适应滤波，得到分数域上的降噪后的声发射信号；对分数域上的降噪后的声发射信号进行信噪比计算，得到最佳分数域上的降噪后的声发射信号；对最佳分数域上的降噪后的声发射信号进行分数阶傅里叶逆变换，得到时域上的管道泄漏声发射信号。本发明通过在分数域上进行噪声的自适应消除，从而解决上述技术问题。
-
Patent Agency Ranking
公开(公告)号：CN119000881A
公开(公告)日：2024-11-22
申请号：CN202411024472.0
申请日：2024-07-29
Applicant: 西安交通大学
IPC: G01N29/14 , G01N29/44 , G01N29/04 , G06F18/241 , G06F18/25 , G06N3/0464
Abstract: 本发明公开了一种管道焊缝裂纹损伤阶段识别方法、装置、设备及存储介质，将时域和频域特征输入训练好的管道焊缝损伤阶段识别模型，得到识别结果；管道焊缝损伤阶段识别模型是采用样本集训练改进的TCN网络模型得到的，样本集包括以已知损伤阶段作为标签的突发型声发射信号对应的时域和频域特征，损伤阶段包括弹性损伤阶段、塑性损伤阶段、强化损伤阶段和颈缩断裂损伤阶段，改进的TCN网络模型包括多级特征融合模块以及与多级特征融合模块连接的全尺度卷积模块，多级特征融合模块包括至少两个顺序连接的TCN block，前一个TCN block的输出作为下一个TCN block的输入，且每个TCN block的输出采用concatenate方式连接后作为多级特征融合模块的输出。本发明的目的在于解决现有模型在特征关联和信息保留方面的不足，以实现对核电压力管道裂纹扩展情况的实时、有效监测，提高识别精度，为核电站的安全运行提供有力保障。
-
公开(公告)号：CN112201274B
公开(公告)日：2024-11-08
申请号：CN202010851255.4
申请日：2020-08-21
Applicant: 西安交通大学
IPC: G10L21/0272 , G06F18/10 , G06F18/2134 , G06F17/14
Abstract: 本发明公开了一种基于极小化极大化的欠定盲源分离方法及系统和装置，利用短时傅里叶变换将时域瞬时混合信号转化为每个频带上的频域瞬时混合，基于源信号的稀疏性，提取复值混合矩阵实部向量与虚部向量，通过余弦角进行单源点判定与提取，对单源点归一化和取模运算，通过对单源点的层次聚类实现混合矩阵的估计；利用混合矩阵以及源信号的稀疏性假设将源信号恢复问题转化为l1范数优化问题，将源信号在时频域恢复后采用短时傅里叶逆变换将时频域的源信号变换回时域从而实现欠定盲源分离。构建非凸罚函数使目标函数的优化逼近l0范数优化，避免了传统的l1范数正则化的系统性低估及依照稀疏性假设恢复的源信号，并且保证了目标函数的凸性。
-
公开(公告)号：CN112100574B
公开(公告)日：2024-10-29
申请号：CN202010852271.5
申请日：2020-08-21
Applicant: 西安交通大学
IPC: G06F17/18
Abstract: 本发明公开了一种基于重采样的AAKR模型不确定度计算方法及系统，利用传感器历史状态数据集分为训练数据集和测试数据集，通过小波去噪方法对训练数据集进行去噪并计算噪声方差，提高数据精度，然后对传感器历史状态数据随机选择并进行替换，得到新训练数据集样本，以优化AAKR模型架构及多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差，利用Bootstrap重采样训练数据，计算预测值和测试值之间的均方误差；结合原型模型方差计算模型偏差，形成95％的不确定度值，不需要进行经验分布模型对噪声估计值建模计算，简化了重采样过程，提高了计算效率，并且结合Jackknife方法降低了置信区间偏差保证其可靠性，在保持收敛性能基础上提高了估计效率。
-
公开(公告)号：CN118643387A
公开(公告)日：2024-09-13
申请号：CN202410716416.7
申请日：2024-06-04
Applicant: 西安交通大学
IPC: G06F18/241 , G06F18/2131 , G06N3/096 , G06F18/10 , G06N3/0464
Abstract: 本发明公开了一种电机滚动轴承故障诊断方法、装置、介质和设备，涉及故障诊断技术领域。本发明使用电机滚动轴承信号的小波时频图作为深度迁移网络的输入，小波时频图能够捕捉信号在不同尺度和频率上的时频特征变化，提高了故障诊断模型的诊断可解释性。同时，本发明通过源域数据训练故障诊断模型的诊断模型能力保持良好的性能，并使用快速批核范数最小化损失降低故障诊断模型对源域数据的依赖性。以及通过目标域数据训练故障诊断模型并使用快速批核范数最大化损失提高故障诊断模型的预测多样性和判别性。从而通过整体训练后，使得故障诊断模型能够保持良好性能的同时保持泛化能力，提高了故障诊断模型对电机滚动轴承的故障诊断准确率。
-
公开(公告)号：CN118277830A
公开(公告)日：2024-07-02
申请号：CN202410422892.8
申请日：2024-04-09
Applicant: 西安交通大学
IPC: G06F18/24 , F17D5/06 , G06F18/2131 , G06F18/25 , G06F18/22 , G06N3/084 , G06N3/0464 , G06N3/045 , G06N3/048 , G06F18/21
Abstract: 本发明公开了一种用于管道泄漏监测的可解释深度学习框架，首先，采用三种不同的小波基函数对泄漏声发射信号进行分析，处理得到的时频特征表现出相关性和互补性。基于此，设计了具有不同小波卷积核的可解释神经网络，通过多级动态感受野来提取宽频声发射信号的抽象特征细节。然后，设计了基于通道重要性加权的特征融合模块，以突出不同通道的贡献度来优化网络的学习过程。结果表明，本发明所提方法可有效提取出泄漏声发射信号的辨别特征，不同泄漏状态的识别正确率可达98.32％，显著高于典型的深度学习方法。此外，特征图可视化证明了所提方法在抽象特征提取中具有物理可解释性，这将为工业技术人员的正确决策提供参考依据。
-
-
-
-
-
-
-
-
-
Search Results
130
records
(took 0.055 seconds)
