-
公开(公告)号：CN112798956A
公开(公告)日：2021-05-14
申请号：CN202011639677.1
申请日：2020-12-31
Applicant: 江苏国科智能电气有限公司 , 燕山大学
Abstract: 一种基于多分辨率时序循环神经网络的风电机组故障诊断方法，利用SCADA多变量时间序列固有的时空相关性和交互性特性，通过自适应动态融合方式同时对变量从全局和局部进行动态权重的调整，以级联方式捕获传感器变量间的时空相关性信息，并且以并行方式将调整后的信息同时输入神经网络，深度挖掘变量间交互互补的特征，加强了对特征筛选提取的性能，使得变量之间的关联性进一步加强。本发明融合了时空依赖性提取和多分辨率特征学习方法，能够提取更为丰富的故障诊断信息，与传统的门控循环单元网络模型及其他传统机器学习方法相比，本发明能够有效提高风电机组部件故障诊断性能。
-
公开(公告)号：CN111426950A
公开(公告)日：2020-07-17
申请号：CN202010197882.0
申请日：2020-03-19
Applicant: 燕山大学
Abstract: 本发明提出一种多尺度时空卷积深度信念网络的风力发电机故障诊断方法，该方法利用SCADA多变量时间序列固有的时空相关性和交互性特性，设计具有不同卷积核结构的卷积深度信念网络以级联的方式捕获传感器变量间的时空相关性信息，同时以并行的方式在多个滤波器尺度下挖掘变量间交互互补的特征，上述技术手段融合了时空依赖性提取和多尺度特征学习方法，因此能够提取更为丰富的故障诊断信息，与传统的卷积深度信念网络模型及其变体相比，本发明能够增强分类性能，为风力发电机故障诊断领域提供了新的途径。
-
公开(公告)号：CN111222467A
公开(公告)日：2020-06-02
申请号：CN202010018074.3
申请日：2020-01-08
Applicant: 燕山大学
Abstract: 本发明公开了一种风力发电机部件故障分类检测方法，属于风力发电机状态监测技术领域，包括以下步骤：步骤S1对风电机组监测控制和数据采集系统采集到的每个数据输入信号进行小波分解，得到原始输入信号的局部信号；步骤S2将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习；步骤S3将全局特征和局部特征每个子网络的输出连接起来，进行动态加权处理实现全局特征和局部特征的自适应动态融合；步骤S4将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。本发明能够有效的提高风力发电机部件发生故障分类准确率，从而及时对风力发电机故障部件进行处理和维护，避免风力发电机部件的深度伤害。
-
公开(公告)号：CN114098765B
公开(公告)日：2024-09-20
申请号：CN202111395249.3
申请日：2021-11-23
Applicant: 燕山大学
Abstract: 本发明公开了多通道高频脑电波耦合的脑网络参数特征提取方法及装置，属于脑‑机接口技术领域，该方法包括：采集受试对象脑电信号并从中提取子频带；根据子频带，获取子频带同步耦合特征矩阵；通过稀疏化子频带同步耦合特征矩阵作为连接矩阵构建脑网络并从中提取脑网络参数；通过脑网络参数加权求和建立脑网络特征参数集合；该装置包括采集单元、获取单元、构建脑网络单元以及设定单元，本发明提高了脑电信号中与任务相关成分的信噪比，提高了对快速序列视觉呈现下对目标识别的准确率，建立在快速序列视觉呈现任务状态下的脑网络与脑电响应的内在关系，也可以帮助研究大脑认知行为过程中大脑资源整合的方式。
-
公开(公告)号：CN117370762A
公开(公告)日：2024-01-09
申请号：CN202311508085.X
申请日：2023-11-14
Applicant: 燕山大学
IPC: G06F18/20 , G06F18/213 , G06F18/241 , G01M13/00
Abstract: 本发明公开了一种基于超维计算的小样本故障诊断方法，属于机械设备故障诊断技术领域，包括采集多种机械设备的振动信号原始数据，设计信号高效预处理模块，对原始振动信号进行局部特征信息的计算；设计超维计算的时间序列样本编码方式，即多元型样本编码，用于将提取到的振动信号局部特征编码成一系列的超维向量，形成一个超维空间；确定相似度衡量标准，设计相似度衡量融合决策，将振动信号的局部特征信息输入到超维计算模型中进行训练，训练结果被称作查询超向量；用不同比例的测试集对训练得到的模型进行测试分类，得到模型训练的最终结果，并利用多个故障数据对模型进行分析检验。本发明可以高效提取故障特征，提高了故障诊断的效率和精度。
-
Patent Agency Ranking
公开(公告)号：CN117147141A
公开(公告)日：2023-12-01
申请号：CN202311112349.X
申请日：2023-08-31
Applicant: 燕山大学
IPC: G01M13/021 , G01M13/028 , G01M13/045 , G01M13/00 , G01H17/00 , G06F18/2411 , G06F18/213 , G06F18/25 , G06N20/10 , G06N3/006
Abstract: 本发明公开了一种基于高频声波的旋转机械早期故障监测系统及方法，属于故障检测领域，系统包括高频声波感知器、电路系统及上位机，通过高频声波感知器获取旋转机械早期故障产生的高频声波信号，由多块信号调理板卡和一块通信控制板卡组成电路系统，上位机通过通信模块与电路系统进行数据通信及指令发送。利用高频声波信号分贝值对故障进行监测，采用高频声波解调信号对故障进行识别，融合多种信号处理方法获取早期故障敏感的优化特征，通过LSSVM参数优化方法进行诊断。本发明具有集成度高、硬件要求低、通道数量可拓展、频率检测范围广、节约数据存储资源等优点，实现对旋转机械早期故障预防性维修保养。
-
公开(公告)号：CN116295796A
公开(公告)日：2023-06-23
申请号：CN202211662459.9
申请日：2022-12-23
Applicant: 燕山大学
Abstract: 本发明公开了用于机电系统早期故障检测的高频声波传感设备及方法，应用于故障检测领域，包括：传感单元采用压电陶瓷高频声波换能器，将高频声波转换成电信号；幅值控制单元对微弱电信号进行放大；外差降频单元将信号从高频搬移到音频；功率放大模块驱动播放装置监听音频信号；微控制器采集音频并进行预处理传至上位机；同时，根据编码器的状态控制数模转换模块以调整设备增益及载波频率；液晶显示模块显示增益、载波频率以及分贝值等信息。应对机电系统不同故障，调整设备的增益及载波频率，通过故障检测技术识别具体早期故障类别。本发明故障检测类型丰富、检测频率多样、便携高效，能够有效确定机电系统早期故障类别，实现预防性维修保养。
-
公开(公告)号：CN110991406B
公开(公告)日：2023-04-18
申请号：CN201911317967.1
申请日：2019-12-19
Applicant: 燕山大学
IPC: G06F18/10 , A61B5/372 , G06F18/2135 , G06F18/24 , G06F18/2411 , G06F18/213
Abstract: 本发明涉及一种基于RSVP脑电特征的弱小目标检测方法及系统。该方法包括：获取待检测图像；将待检测图像进行分割和放大，得到待检测图片序列；获取观测者观测待检测图片序列的脑电信号数据；待检测图片序列通过RSVP技术呈现给观测者；采用任务相关成分分析方法，提取脑电信号数据中每个待检测图片对应的相关成分特征；根据相关成分特征，基于逐级优化递减欠采样和边界人工少数类过采样结合的支持向量机模型，得到每个待检测图片的预测分值；判断预测分值是否大于预测阈值；如果是，将预测分值对应的待检测图片确定为目标图像；如果否，将预测分值对应的待检测图片确定为非目标图像。本发明可以提高弱小目标检测的准确度。
-
公开(公告)号：CN114224686B
公开(公告)日：2023-02-14
申请号：CN202210006785.8
申请日：2022-01-05
Applicant: 燕山大学
Abstract: 本发明涉及手部康复技术领域，尤其是一种柔性驱动的可穿戴手部康复机器人，包括：手背板边缘上表面固定手指柔性传动结构，动力源固定于手背板上的手指柔性传动结构末端并电性连接控制模块，手指柔性传动结构向同一方位延展；本发明采用了柔性驱动机构，能够有效的对力传递进行过渡，防止驱动力过大伤害手指，指关节处采用柔性夹持套环，对手指每个关节进行大角度范围的包裹，活动空间增大，能够完成更多手部日常活动，提高康复训练效率，实现了人机共融，能够适应不同使用者的手指尺寸特征，增加了穿戴的舒适度。
-
公开(公告)号：CN113143291B
公开(公告)日：2023-02-03
申请号：CN202110513371.X
申请日：2021-05-11
Applicant: 燕山大学
Abstract: 本发明公开了一种基于快速序列视觉呈现下的脑电信号特征提取方法，该方法考虑了RSVP脑电信号在不同节律能量分布不均且在gamma节律上具有显著的时‑频‑空能量特征，将gamma节律脑电信号分解为多个时、频子成分，采用共空间模式方法对每个子成分的多通道信号进行空间滤波，采用线性判别分析算法分别对各个子成分进行加权整合，从而得到RSVP脑电信号gamma节律的时‑空‑频特征集来实现RSVP范式下的目标图像识别，能有效提高RSVP范式下图像识别的准确率。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.017 seconds)
