-
公开(公告)号：CN112801176A
公开(公告)日：2021-05-14
申请号：CN202110101522.0
申请日：2021-01-25
Applicant: 西安交通大学
Abstract: 公开直升机飞行姿态不平衡数据的深度学习识别方法，包括采集直升机飞行姿态数据并归一化处理，对处理后的飞行姿态数据进行样本划分，并将划分的样本按类别不平衡率分为训练集和测试集；构造卷积神经网络获得每个类别数据的预测值，其中卷积神经网络包括卷积层、池化层和全连接层。输入矩阵经过卷积层进行特征抽取，抽取的特征经过非线性激活后输入进池化层进行特征降维和进一步特征提取，将获得的特征输入全连接层以获得每个类别数据的预测值；构造焦聚损失，并将其作为卷积神经网络的损失函数，通过焦聚损失中的权重因子和焦聚因子调整样本的权重。从而使网络能够在样本不均衡的情况下提取到具有价值的信息，提高网络在样本不均衡下的识别精度。
-
公开(公告)号：CN112629854A
公开(公告)日：2021-04-09
申请号：CN202011333834.6
申请日：2020-11-25
Applicant: 西安交通大学
IPC: G01M13/04 , G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开揭示了一种基于神经网络注意力机制的轴承故障分类方法，包括：利用加速度传感器采集轴承的振动加速度时域信号ST，对振动加速度时域信号ST进行包络谱变换，获得频域信号SF，将频域信号SF作为含有注意力机制的神经网络的输入样本；将输入样本SF等分为N个不同片段后输入神经网络，对每个片段进行处理并提取特征值，对特征值进行打分运算和归一化处理，获得与输入样本SF不同片段相对应的注意力权重；建立输入样本SF不同片段与注意力权重之间的联系；利用注意力权重对每个片段的特征值进行加权并求和，获得注意力机制输出值yatt；对所述注意力机制的输出值yatt通过全连接层后进行归一化处理，获得和为1的概率分布，其中，概率最大的所对应的类别即为轴承的故障类型。
-
公开(公告)号：CN110044619B
公开(公告)日：2020-03-27
申请号：CN201910070499.6
申请日：2019-01-25
Applicant: 西安交通大学
IPC: G01M13/045 , G01R31/34
Abstract: 本发明公开了基于稀疏多周期组套索的多故障特征辨识方法，方法包括以下步骤：分析待识别的信号以构造二值周期序列b，基于故障特征信号呈现周期组内组间稀疏的特性获得促进周期组内组间稀疏的正则项P(x；b)，基于不同故障特征频率的区分性建立稀疏多周期组套索模型；分别构造稀疏多周期组套索模型中数据保真项和正则项的受控优化算子，通过受控优化算子的解耦，实现变量之间的分离，针对每个受控优化算子，建立其优化的闭式解，通过迭代求解每种故障的受控优化算子对应的闭式解，实现模型求解；通过仿真信号统计分析自适应设置正则化参数，通过所述参数得出算法的自适应求解，从而分离得到每种故障；针对分离得到的每种故障，通过包络分析辨识故障类型。
-
公开(公告)号：CN110509109A
公开(公告)日：2019-11-29
申请号：CN201910638155.0
申请日：2019-07-16
Applicant: 西安交通大学
IPC: B23Q17/09
Abstract: 本发明公开了一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法，方法包括以下步骤：基于多路传感器测量的刀具数据预处理数据，构造输入矩阵；构造多尺度卷积神经网络，获取多尺度特征，多尺度卷积神经网络的每个分支基于最大值池化后的输出进行特征融合，最终获得多尺度特征；构造深度循环GRU网络以提取不同时间尺度的特征和表示，深度循环GRU网络包括第一层GRU网络和第二层GRU网络，第二层GRU网络的单元数比第一层GRU网络的单元数多，多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示；基于特征构造全连接层，将特征映射到样本标记空间；基于全连接层的输出结果构造线性回归层，获得刀具磨损量。
-
公开(公告)号：CN119202908B
公开(公告)日：2025-04-29
申请号：CN202411698633.4
申请日：2024-11-26
Applicant: 西安交通大学
IPC: G06F18/2415 , G06F18/2433 , G06N3/0464 , G06N3/0455 , G06F18/22 , G06F18/214
Abstract: 一种基于可学习稀疏正则字典学习的机械异常检测方法与系统，方法中，采集机械正常运转时的振动信号，并进一步构造训练数据集；构建包含可学习稀疏正则项的字典学习模型，将输入信号表示为字典与稀疏编码的卷积形式；利用半二次分裂算法完成模型迭代计算公式的推导；为公式中的每个变量和权重设计相应的网络模块，模块的组合表示一次迭代计算，多个迭代计算过程叠加构成可学习稀疏正则网络；使用训练数据集训练网络，提取正常样本特征，并利用反向传播技术更新网络参数；将测试样本输入训练好的网络，计算重构数据与输入样本间的误差，根据误差值的大小判断机械是否为正常状态；对网络的重构输出进一步分析，完成网络的事后可解释说明。
-
Patent Agency Ranking
公开(公告)号：CN119827989A
公开(公告)日：2025-04-15
申请号：CN202411797239.6
申请日：2024-12-09
Applicant: 西安交通大学
IPC: G01R31/367 , G06N3/0455 , G06N3/08 , G01R31/392
Abstract: 本发明揭示了一种锂电池循环寿命和容量退化曲线拐点预测方法，包括：采集电压、温度、内阻、充电时间和放电容量等关键性能参数，并提取初始容量降至80%时的循环次数作为寿命预测标签，识别容量退化曲线拐点并标注对应循环次数；采用多时间尺度特征提取和滑窗策略，从前100个循环数据中提取周期间和周期内特征；结合斯皮尔曼相关系数法和递归特征消除法进行特征选择；结合多头注意力机制和多层感知器构建混合深度学习网络，进行循环寿命和拐点的预测；通过训练和测试，最终实现了在不同工况下准确预测锂电池循环寿命和容量退化曲线拐点。本发明有效提升了老化信息的利用效率，显著提高了预测精度和模型的泛化能力。
-
公开(公告)号：CN118887605A
公开(公告)日：2024-11-01
申请号：CN202410906667.1
申请日：2024-07-08
Applicant: 西安交通大学
IPC: G06V20/52 , B29C65/00 , B33Y50/00 , B33Y50/02 , G06V10/764 , G06V10/77 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06F17/16 , G06N3/084 , G06F17/18
Abstract: 一种基于域对抗网络的熔融沉积成型工艺参数监控方法，方法中，配置摄像头于用于熔融沉积成型的打印系统上以实时捕获熔融沉积成型打印过程中的图像，采集的打印系统在参数未知情况下的图像作为无标签的目标域数据；采集打印系统在参数已知的不同参数下的图像作为有标签的源域数据；构建域自适应卷积网络，以源域数据和部分目标域数据作为输入的原始图像数据对域自适应卷积网络进行训练，域自适应卷积网络对提取的特征进行处理，通过对抗性学习优化特征的域不变性以适应于多样化的生产环境，将另一部分目标域数据输入训练好的域自适应卷积网络，获得目标域数据的预测标签，根据域自适应卷积网络输出的特征调整熔融沉积成型工艺参数。
-
公开(公告)号：CN118650876A
公开(公告)日：2024-09-17
申请号：CN202410906661.4
申请日：2024-07-08
Applicant: 西安交通大学
IPC: B29C64/30 , B29C64/386 , B33Y40/00 , B33Y50/00
Abstract: 一种基于人工智能的熔融沉积成型实时监控装置和方法，装置中，控制板和服务器之间构建实时视频通路以截取所述图像信息的帧数据生成图像，当前时刻的四个打印参数被octoprint软件实时获取并由控制器传递至服务器，控制板将所述G代码传递到FDM 3D打印机以调整打印参数使摄像头采集用于人工智能模型单元训练的不同参数下图像数据集，图像数据集随机分为训练集和测试机，使用训练集数据训练人工智能模型，并在测试集上验证人工智能模型准确率，待预测图像数据作为输入通过训练好的人工智能模型判断当前打印参数的状态及类标签，python程序单元基于当前打印参数的状态生成G代码，生成的G代码通过控制板传递至打印机。
-
公开(公告)号：CN115524150B
公开(公告)日：2024-04-05
申请号：CN202211112505.8
申请日：2022-09-13
Applicant: 西安交通大学
IPC: G01M99/00 , G06F18/10 , G06F18/2131 , G06F123/02
Abstract: 公开了一种基于稀疏时域同步平均的旋转机械故障检测方法，基于稀疏时域同步平均的旋转机械故障检测方法中，传感器采集旋转机械的振动信号以及转频或转频脉冲信号，并进行模数转换获得振动信号和转速信息；根据旋转机械中检测部件的类型和数量，基于所述振动信号和转速信息构造部件敏感梳状向量g，涉及的机械旋转部件包括齿轮、转子和轴承；基于部件敏感梳状向量g构造类时域同步平均向量w；利用类时域同步平均向量w构造稀疏时域同步平均模型F；利用优化求解算法对稀疏时域同步平均模型F进行求解得到稀疏频谱和重构时域信号；根据所述稀疏频谱和时域信号构建STSA_CI指标以进行故障诊断。
-
公开(公告)号：CN117576027A
公开(公告)日：2024-02-20
申请号：CN202311533458.9
申请日：2023-11-17
Applicant: 西安交通大学
IPC: G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/048 , G06V10/764 , G06V10/26 , G06V10/82
Abstract: 一种多任务深度学习模型的粉床质量定性及定量分析方法，拍摄粉床区域的图像，逐像素标记图像的粉床背景及粉床缺陷以建立粉床缺陷数据集；搭建多任务深度学习模型，并使用粉床缺陷数据集训练及测试多任务深度学习模型，其中，多任务深度学习模型包括用于定性分析粉床缺陷的分类模块和用于定量分析粉床缺陷的分割模块；多任务深度学习模型对任意铺粉图像进行预测得到多个任务对应的预测结果；后处理预测结果，预测结果包括分类结果和分割结果，其中，根据分类结果定性分析粉床缺陷，基于分割结果计算不同类别像素个数占图片总像素比例以定量分析粉床缺陷。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.027 seconds)
