-
公开(公告)号：CN113469230A
公开(公告)日：2021-10-01
申请号：CN202110682696.0
申请日：2021-06-17
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种转子系统深度迁移故障诊断方法、系统及介质，其包括：对WDCNN模型进行预训练，获得预先设定的分类效果后，保存整个WDCNN模型，并给予该模型初始权值；将预训练得到的WDCNN模型迁移至源域，对WDCNN模型进行微调，在预先设置标签的燃气轮机正常数据集上进行训练，更新WDCNN模型权重；在目标域中，利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征；利用SVM对目标域数据集所有的映射特征进行分类，实现燃气轮机的故障识别。本发明能有效提高故障诊断的精度，有利于解决燃气轮机转子系统正常运行数据多、故障数据少而难以形成均衡类别训练模型的问题。
-
公开(公告)号：CN113312973A
公开(公告)日：2021-08-27
申请号：CN202110463695.7
申请日：2021-04-25
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种手势识别关键点特征提取方法及系统，其包括：对输入的RGB三通道图像进行特征提取与区域分割，获得手部的实例分割与掩码；对手部的实例分割与掩码进行目标匹配，标记出关键点；将标记出的关键点进行数据平滑处理，并对骨骼点进行重新标定，从而得到稳定的手势提取特征。本发明能够最大程度摒除环境干扰，精准提取关键点，与传统方法及单一Mask R‑CNN提取相比，在精度与鲁棒性上都明显提高；本发明可以广泛在特征提取技术领域中应用。
-
公开(公告)号：CN112347917A
公开(公告)日：2021-02-09
申请号：CN202011225289.9
申请日：2020-11-05
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种燃气轮机故障诊断方法、系统、设备及存储介质，其包括：构建深度置信网络模型；对燃气轮机的原始振动信号进行压缩后，输入深度置信网络模型；对深度置信网络模型的结构参数寻优，搜索诊断效果最好的最优深度置信网络模型；根据最优深度置信网络模型对燃气轮机进行故障诊断。本发明基于峰值保持降采样法和粒子群算法优化的深度置信网络模型能够将样本数据缩减，减少模型训练时间，并实现网络结构参数的寻优。对于燃气轮机转子系统气流激振故障，与其他浅层网络对比，以原始振动信号作为输入训练得到的深度置信网络模型具有更好的诊断性能以及分类能力。
-
公开(公告)号：CN112027177A
公开(公告)日：2020-12-04
申请号：CN202011082522.2
申请日：2020-10-12
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种钢卷打捆机，其包括的摩擦驱动机构的输出端设置有带头压紧机构，带头压紧机构位于锁扣机构的前侧；锁扣机构与增力连杆机构连接，带头压紧机构、增力连杆机构和摩擦驱动机构都与液压驱动系统连接；液压驱动系统包括摩擦驱动液压缸、压紧液压缸和增力液压缸；钢带的自由端经摩擦驱动机构驱动依次传输至带头压紧机构和锁扣机构，由锁扣机构输出进而沿位于打捆机工位处的待打捆钢卷行进一周并回到锁扣机构内，形成上下重叠的做扣部分；钢带的自由端在带头压紧机构处被压紧，锁扣机构下降并紧贴钢卷后，摩擦驱动机构主动轮反向旋转，将钢带向回拉出，回收多余捆带并施加预紧力，由锁扣机构完成做扣，将钢卷打捆完毕。
-
公开(公告)号：CN107942943B
公开(公告)日：2019-12-31
申请号：CN201711421534.1
申请日：2017-12-25
Applicant: 北京信息科技大学
IPC: G05B19/408
Abstract: 本发明涉及一种基于多源信息融合的高端数控装备状态识别方法，其步骤：利用现有现场采集传感器采集高端数控装备运行状态的多源传感器信息，并进行信息融合；对融合信号的时域、频域、小波域进行特征获取，并对提取的时域特征、频域特征和小波域特征进行特征融合；重构初始特征的多源多域高维相空间，采用局部线性嵌入结构进行降维，优化本征维数，构建能够反映低维流形的局部线性特性的邻域，获得运行状态高维空间中的低维流形变化；采用距离判据获得低维敏感特征，构建低维流形特征的增殖相似度实现对不同状态的识别。本发明基于实时监测和有效感知的信息对数控装备运行状态进行有效识别和判断，准确地识别了数控设备的不同状态。
-
Patent Agency Ranking
公开(公告)号：CN108344564B
公开(公告)日：2019-10-18
申请号：CN201711421570.8
申请日：2017-12-25
Applicant: 北京信息科技大学
IPC: G01M13/00 , G01M13/045 , G06K9/00 , G06K9/62
Abstract: 本发明涉及一种基于深度学习的主轴特性试验台状态识别及预测方法，其步骤：采集主轴特性试验台运行过程中的振动信号，对振动信号进行归一化处理后，采用EEMD对归一化后的振动信号降噪处理后得到IMF分量，对得到的IMF分量重构形成还原信号；还原信号作为CNN的输入样本，对还原信号进行特征提取后得到特征向量进行CNN特征学习，得到训练特征样本；训练特征样本通过多层LSTM编码时间信息，并通过Softmax逻辑回归进行分类得到预测特征样本，实现运行状态的预测；通过训练特征样本和预测特征样本进行Softmax逻辑回归，在逻辑回归层上进行分类判定转子回转试验台系统的故障类型，实现状态识别。本发明具有快速的响应性能和跟踪性能。
-
公开(公告)号：CN104866607A
公开(公告)日：2015-08-26
申请号：CN201510303392.3
申请日：2015-06-04
Applicant: 北京信息科技大学
IPC: G06F17/30
CPC classification number: G06F17/30289 , G06F17/30292
Abstract: 本发明涉及一种东巴文释读数据库建立方法，包括以下步骤：对现有东巴文化资料进行采集并建立图形模板库、音频模板库和视频模板库；根据图形模板库、音频模板库和视频模板库建立释读数据库，释读数据库包括词意数据库、句意数据库和事件数据库；将词意数据库、句意数据库、事件数据库进行融合，融合后与释读知识库连接，释读知识库根据规则对三种释读数据库进行释读内容的组合，并利用推理引擎促进释读知识库与三种释读数据库的融合，完成释读数据库的建立。本发明有效解决了东巴象形文字释读数字化的难题，可以广泛在文字释读领域中应用。
-
公开(公告)号：CN104794470A
公开(公告)日：2015-07-22
申请号：CN201510220591.8
申请日：2015-05-04
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种面向东巴象形文的数字化获取与图像处理方法，其步骤：对东巴经典古籍经书进行数字图像采集；对采集到的数字图像进行去噪；对去噪后的数字图像信息进行笔划特征突出化处理，增强目标文字与背景的对比度；对特征突出化处理后的数字图像信息进行轮廓检测；对轮廓检测后的数字图像信息进行尺寸统一化处理，完成东巴象形文的数字化获取与图像处理。本发明能有效将模糊的纸质经书实现数字化提取，数据量压缩比高，去噪后得到的噪声与图像信号之间平滑弧线过渡，得到的图片清晰，便于文化的数字化传承与保护，可以广泛在文字图像处理领域中应用。
-
公开(公告)号：CN103042436B
公开(公告)日：2014-12-24
申请号：CN201310021815.3
申请日：2013-01-21
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种基于轴心轨迹流形学习的主轴回转误差溯源方法，其包括以下步骤：1）在主轴外周向间隔设置两个电涡流传感器，由两个电涡流传感器采集主轴振动信号；2）对检测到的主轴振动信号进行处理对主轴的运行状态进行判断；3）主轴振动信号在同一平面坐标系内交于一点，连续采样后获得轴心轨迹；4）对主轴轴心轨迹进行误差分离获得主轴实际回转精度A；5）根据主轴的实际回转精度A和流形敏感特征Qij获得映射函数图谱数据库Q:{f(i)＝Qij|A}；6）若主轴的实际回转精度A≥ηE，η＝0.8~1,则调用映射函数图谱数据库Q，进行主轴回转误差的溯源，并对相应故障进行维修；若主轴的实际回转精度A≥ηE，η＝0.6~0.8，则对主轴回转误差进行溯源分析监控；其中E是该机床出厂时的主轴回转精度。
-
公开(公告)号：CN101770219B
公开(公告)日：2011-11-09
申请号：CN201010102878.8
申请日：2010-01-29
Applicant: 北京信息科技大学
IPC: G05B19/4065
Abstract: 本发明涉及一种车铣复合机床故障诊断知识库的知识获取方法，步骤一、获取车铣复合机床历史故障信息和机床实时在线监测信息；步骤二、对历史故障信息和实时在线监测信息依次进行信号处理、故障特征信息选取和数据离散化处理后，以故障特征属性为条件属性，以故障模式为决策属性，构建故障诊断的知识决策表；步骤三、基于所构建的知识决策表，进行基于粒度计算的故障特征属性的约简和属性值约简；步骤四、采用规则的置信度和覆盖度作为评价指标对约简后的决策规则进行度量和评价。本发明由于可以从大量实时在线和离线数据中为故障诊断获取精简、有效的知识和规则，为其故障诊断提供了有效的保障。本发明可以广泛应用于各种数控机床故障诊断中。
-
-
-
-
-
-
-
-
-
Search Results
101
records
(took 0.079 seconds)
