-
公开(公告)号：CN109934335A
公开(公告)日：2019-06-25
申请号：CN201910164985.4
申请日：2019-03-05
Applicant: 清华大学
Abstract: 本发明提供一种基于混合深度学习的高铁道岔故障诊断方法，该方法在详细分析了VGG-Net结构与SVM原理之后，通过利用VGG-Net使用多个较小卷积核的卷积层代替一个较大卷积核的卷积层的思想与支持向量机在处理小数据方面具有良好分类性能的优势，设计提出了基于DCNN-SVM混合模型的高铁道岔智能故障诊断方法，本申请提供的诊断方法诊断准确率达到100％，远比传统单一的机器学习方法及现有技术采用的基于卷积神经网络的算法效果好，表明了通过混合深度学习思想将神经网络与机器学习算法混合在一起，所构建的新的混合模型，在实际应用中拥有着非常好的效果。
-
公开(公告)号：CN107651550A
公开(公告)日：2018-02-02
申请号：CN201710871405.6
申请日：2017-09-25
Applicant: 清华大学
IPC: B66B29/00
Abstract: 本发明提出的一种扶梯故障监测及预警装置，属于扶梯安全控制技术领域，该装置通过两块PCB电路板实现；第一PCB电路板安装于扶梯驱动电机旁，该电路板上设有电流信号采集电路、电压信号采集电路、安全开关信号采集电路、主计算模块及通信模块；第二PCB电路板安装于扶梯驱动电机轴承上，该电路板上设置有振动信号采集电路；主计算模块用于获得扶梯运行过程中驱动电机的电流电压信号、振动信号以及用于检测梯级缺失、踏板断裂、扶手带断裂的安全开关信号；主计算模块还通过通信模块与广告一体机进行通信。本装置结构简单、成本低、安装简单、通用性强，通过对扶梯的运行状态及采集信号进行监测和分析以判断是否存在故障或隐患，并给出乘客搭乘建议。
-
公开(公告)号：CN106643982A
公开(公告)日：2017-05-10
申请号：CN201611081652.8
申请日：2016-11-30
Applicant: 清华大学
IPC: G01F23/296
CPC classification number: G01F23/2966
Abstract: 本发明涉及一种基于声波共振频率的液位测量方法，属于基于声波反射原理的液位测量领域。该方法包括产生有效的扫频声波；采用时域快速共振点检测算法获取发射声波与液面反射声波的叠加声波在时域上的共振点；利用时域与频域对应关系，求得共振基频差，进而得到液面深度值。本发明方法在上述基于低频声波的共振原理基础上，采用时域分析方法确定共振频率，简单有效，具有高可靠性和良好的操作性，由于算法对硬件性能没有过高要求，大大降低了实际应用中的硬件成本，可广泛应用于声波液位测量仪。
-
公开(公告)号：CN105787511A
公开(公告)日：2016-07-20
申请号：CN201610109726.8
申请日：2016-02-26
Applicant: 清华大学
CPC classification number: G06K9/6269 , G05B23/0235 , G06K9/00516
Abstract: 本发明提供一种基于支持向量机的道岔故障诊断方法及系统，该方法包括：获取训练样本，其中，训练样本包括对应于多种道岔故障类型的道岔动作的历史故障电流功率曲线；根据专家经验和故障机理等因素提取训练样本的形态特征；选取支持向量机分类器的核函数，并根据训练样本的形态特征确定核函数的参数，以训练支持向量机分类器；采集道岔动作的电流功率曲线；根据支持向量机分类器对道岔动作的电流功率曲线进行分类，并根据分类结果确定道岔是否存在故障以及道岔故障类型。该方法有效降低人员对道岔的监测和维护成本，可以自动且准确地确定道岔是否存在故障以及故障类型，具有道岔监测方便且道岔维护便利等优点。
-
公开(公告)号：CN103335617B
公开(公告)日：2015-12-02
申请号：CN201310244984.3
申请日：2013-06-19
Applicant: 清华大学
IPC: G01B17/04
Abstract: 本发明涉及一种基于振动信号的铁路钢轨几何形变检测方法，属于列车轨道故障监控与诊断技术领域。基于列车不同位置几何形变种类的振动数据，对信号进行短时傅里叶变换得到振动频谱；提取频谱特征，采用主成分分析对提取的特征降维，得到主频谱特征；针对每个几何形变种类的支持向量机，建立每个几何形变种类的信度计算模型；在线检测时，根据实时测量振动数据，提取频谱特征，进而获得主频谱特征，采用离线计算得到的几何形变种类的信度模型计算隶属于每类的信度，根据信度得到诊断信度向量。本方法可精确诊断并定位几何形变种类的情况。安装在实时运行的高速列车上即可进行轨道的几何形变种类在线分析与诊断。
-
Patent Agency Ranking
公开(公告)号：CN102096410B
公开(公告)日：2012-06-20
申请号：CN201010605560.1
申请日：2010-12-24
Applicant: 清华大学 , 北京全路通信信号研究设计院
IPC: G05B23/00
Abstract: 本发明涉及一种高速列车运行控制系统功能的动态测试方法，属于高速列车运行控制系统技术领域。本方法首先根据高速列车运行控制系统功能规范基于参数化自动机模型构造被测高速列车运行控制系统的动态测试模型；然后依据该模型对被测高速列车运行控制系统执行动态测试过程。动态测试方法是一个由“生成待测转移的测试序列”、“执行测试序列”、“测试结果分析”、“动态测试模型参数更新”四个步骤组成的循环过程。本发明方法避免了在高速列车运行控制系统测试执行之前生成一个固定测试序列集，解决了传统静态测试方法测试覆盖率低和测试结果准确率低以及传统动态测试方法测试序列生成代价和执行代价大的问题。
-
公开(公告)号：CN102075523A
公开(公告)日：2011-05-25
申请号：CN201010605546.1
申请日：2010-12-24
Applicant: 清华大学
IPC: H04L29/06
Abstract: 本发明涉及一种用于动车组网络控制逻辑验证的仿真装置，属于交通控制技术领域。包括第一和第二主控制器、绞线式列车总线仿真器、司机操作界面主机、第一和第二协议转换器、第一仿和第二仿真计算机。本装置的主控制单元采用TI的高性能浮点DSP实现，分别挂载两条多功能车辆总线；绞线式列车总线通过一个仿真器实现，以连接两条多功能车辆总线，并在内部实现绞线式列车总线协议下的数据收发功能；主控制单元和动车组设备的交互采用以太网实现，进而将PC机通过以太网卡接入本地以太网，在PC机内部实现多功能车辆总线协议与以太网协议的转换；最后将仿真动车组设备的PC机接入以太网。本装置验证效率高、可重用性强、维护方便，且成本较低。
-
公开(公告)号：CN101247304B
公开(公告)日：2011-01-26
申请号：CN200810102374.9
申请日：2008-03-21
Applicant: 清华大学 , 浙江清华长三角研究院
Abstract: 一种家庭无线控制网络用即插即用方法，属于家庭无线控制网络领域，其特征在于，不需要事先为家庭网络中的各个家电设备设定唯一的MAC地址，可以利用各个家电设备上的无线通讯装置中的单片机主控电路的晶振器件的频率误差，或者同时利用上述晶振频率误差和家庭无线网络中的网关的定时功能，来提供用于区分各家电设备身份的信息，从而构成了一个以家庭网关为服务器端，以各家电设备为网络节点的客户端的家庭无线控制网络，其中的各个网络节点均能在地址自动分配的过程中自动产生其唯一的身份标识，以此避免家庭无线控制网络中网关对地址的重复分配，从而实现即插即用。本发明具有可靠性高，适用面广，即插即用，无需MAC地址，且成本低的优点。
-
公开(公告)号：CN1231850C
公开(公告)日：2005-12-14
申请号：CN02117322.2
申请日：2002-05-17
Applicant: 清华大学 , 清华同方股份有限公司
Abstract: 本发明属于总线网络形式的智能家庭系统领域，为一种智能家庭网络系统总线接口单元，包括数据收发模块和与其相连的通讯控制器及存储在其中的由系统程序和应用程序组成的软件模块，数据收发模块由变压器及分别联接在其两端的DC/DC变换器、电压控制电路和信号处理电路构成；其中，该数据收发模块中的信号处理电路与通讯控制器通过发送、接收、控制三条通讯线路相连；数据收发模块中的电压控制模块与通讯控制器通过保存、复位、两条控制线路相连；本发明通过通讯控制器的通用外部接口和外部的设备相连接。利用这种接口单元可构造分布式的、采用两线制的网络控制系统，具有自动检错功能、可靠性高、工程布线成本低、方便与家庭设备连接的优点。
-
公开(公告)号：CN119474865A
公开(公告)日：2025-02-18
申请号：CN202411515906.7
申请日：2024-10-28
Applicant: 国网冀北电力有限公司电力科学研究院 , 清华大学
IPC: G06F18/214 , G06F18/213 , G06F18/24 , G06N3/096
Abstract: 本公开涉及机械故障诊断模型迁移训练方法和机械故障诊断方法、装置、设备与介质，训练方法包括：获取机械故障诊断模型以及源域样本集与目标域样本集；利用机械故障诊断模型输出源故障样本的样本特征和故障预测结果以及目标故障样本的样本特征和故障预测结果；根据多个源故障样本的故障预测结果以及样本标签确定样本分类损失；根据多个源故障样本的样本特征以及多个目标故障样本的样本特征确定特征差异损失；根据多个目标故障样本的故障预测结果确定类别混淆损失；根据样本分类损失、特征差异损失以及类别混淆损失确定目标损失，并利用目标损失优化机械故障诊断模型。由此，能够提高训练后的目标机械故障诊断模型进行机械故障类型诊断的准确性。
-
-
-
-
-
-
-
-
-
Search Results
88
records
(took 0.09 seconds)
