-
公开(公告)号：CN111680446A
公开(公告)日：2020-09-18
申请号：CN202010032285.2
申请日：2020-01-11
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06K9/62 , G06K9/46 , G06K9/00 , G01M13/045
Abstract: 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法，属于滚动轴承剩余寿命预测领域，解决现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题。首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算，得到迭代特征。将多粒度级联森林中的多粒度扫描结构替换为卷积神经网络，利用卷积神经网络提取迭代特征的深层特征，并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成，引入决定系数R2构建CasCatBoost结构以提高模型的表征能力，选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合，预测出轴承的剩余寿命。本方法具有较高的运算效率和预测精度。
-
公开(公告)号：CN112101221A
公开(公告)日：2020-12-18
申请号：CN202010971122.0
申请日：2020-09-15
Applicant: 哈尔滨理工大学
Abstract: 一种用于交通信号灯实时检测与识别的方法，属于交通信号灯检测识别领域。本发明是针对YOLOv4算法对小目标检测不敏感导致交通信号灯检测精度较低的问题而提出的。提出浅层特征增强机制，将特征提取网络中不同阶段的两个浅层特征分别与两次上采样后得到的高层语义特征进行融合，增大两个检测层的尺度，提升网络对小目标的定位及颜色分辨能力；引入边界框不确定性预测机制，对预测边界框输出坐标进行建模，加入高斯模型计算坐标信息的不确定度，提高预测边界框的可靠性。利用LISA交通信号灯数据集分别进行检测与识别实验，检测实验中改进YOLOv4算法的AUC值为97.58％相比VIVA提升7.09％；识别实验中改进YOLOv4算法的平均精度均值为82.15％较原始YOLOv4算法提升2.86％。改进后的YOLOv4算法提升交通信号灯的检测与识别精度。
-
公开(公告)号：CN111442926A
公开(公告)日：2020-07-24
申请号：CN202010034456.5
申请日：2020-01-11
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法，属于滚动轴承故障诊断领域，针对带有轴承型号、负载大小、损伤位置及程度标签的数据稀缺甚至无法获取，导致故障诊断准确率不高甚至无法诊断的问题而提出。首先对不同型号滚动轴承振动信号进行短时傅立叶变换，并构建二维图像数据集，选择某种型号数据作为源域，其他型号数据作为目标域；其次构建领域共享的改进AlexNet深度卷积网络引入条件对抗机制，将特征与标签联合分布的优化方法改进为随机线性组合提取深层特征，实现源域和目标域特征及标签的同时自适应；最后建立变负载下不同型号滚动轴承的故障诊断模型。实现变负载下不同型号滚动轴承多状态的精细分类并获得较高的准确率。
-
公开(公告)号：CN112101221B
公开(公告)日：2022-06-21
申请号：CN202010971122.0
申请日：2020-09-15
Applicant: 哈尔滨理工大学
Abstract: 一种用于交通信号灯实时检测与识别的方法，属于交通信号灯检测识别领域。本发明是针对YOLOv4算法对小目标检测不敏感导致交通信号灯检测精度较低的问题而提出的。提出浅层特征增强机制，将特征提取网络中不同阶段的两个浅层特征分别与两次上采样后得到的高层语义特征进行融合，增大两个检测层的尺度，提升网络对小目标的定位及颜色分辨能力；引入边界框不确定性预测机制，对预测边界框输出坐标进行建模，加入高斯模型计算坐标信息的不确定度，提高预测边界框的可靠性。利用LISA交通信号灯数据集分别进行检测与识别实验，检测实验中改进YOLOv4算法的AUC值为97.58％相比VIVA提升7.09％；识别实验中改进YOLOv4算法的平均精度均值为82.15％较原始YOLOv4算法提升2.86％。改进后的YOLOv4算法提升交通信号灯的检测与识别精度。
-
公开(公告)号：CN113003037A
公开(公告)日：2021-06-22
申请号：CN202110223007.X
申请日：2021-02-28
Applicant: 哈尔滨理工大学
Abstract: 一种基于交叉带式分拣结构的智能垃圾分类系统，属于垃圾分类技术领域，用以解决现有的垃圾分类系统对于垃圾分类的分拣效率不高的问题。该系统包括：数据采集模块、主控制模块、传送模块、垃圾容纳模块；其中，数据采集模块包括摄像头，摄像头用于采集图像数据；主控制模块包括图像识别子模块和驱动子模块，图像识别子模块用于根据图像数据对垃圾类别进行识别，驱动子模块用于根据垃圾类别信息驱动传送模块进行不同模式的传动；传送模块设置在所述垃圾容纳模块上方，包括传动轴垂直交叉且不相交的两条传送带和电机。本发明系统垃圾传送采用交叉带式结构，相比于人工分类，节约了人力物力成本，且更加智能、分类效率更高。
-
Patent Agency Ranking
公开(公告)号：CN113003037B
公开(公告)日：2022-11-01
申请号：CN202110223007.X
申请日：2021-02-28
Applicant: 哈尔滨理工大学
Abstract: 一种基于交叉带式分拣结构的智能垃圾分类系统，属于垃圾分类技术领域，用以解决现有的垃圾分类系统对于垃圾分类的分拣效率不高的问题。该系统包括：数据采集模块、主控制模块、传送模块、垃圾容纳模块；其中，数据采集模块包括摄像头，摄像头用于采集图像数据；主控制模块包括图像识别子模块和驱动子模块，图像识别子模块用于根据图像数据对垃圾类别进行识别，驱动子模块用于根据垃圾类别信息驱动传送模块进行不同模式的传动；传送模块设置在所述垃圾容纳模块上方，包括传动轴垂直交叉且不相交的两条传送带和电机。本发明系统垃圾传送采用交叉带式结构，相比于人工分类，节约了人力物力成本，且更加智能、分类效率更高。
-
公开(公告)号：CN111442926B
公开(公告)日：2021-09-21
申请号：CN202010034456.5
申请日：2020-01-11
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法，属于滚动轴承故障诊断领域，针对带有轴承型号、负载大小、损伤位置及程度标签的数据稀缺甚至无法获取，导致故障诊断准确率不高甚至无法诊断的问题而提出。首先对不同型号滚动轴承振动信号进行短时傅立叶变换，并构建二维图像数据集，选择某种型号数据作为源域，其他型号数据作为目标域；其次构建领域共享的改进AlexNet深度卷积网络引入条件对抗机制，将特征与标签联合分布的优化方法改进为随机线性组合提取深层特征，实现源域和目标域特征及标签的同时自适应；最后建立变负载下不同型号滚动轴承的故障诊断模型。实现变负载下不同型号滚动轴承多状态的精细分类并获得较高的准确率。
-
公开(公告)号：CN112101220A
公开(公告)日：2020-12-18
申请号：CN202010971076.4
申请日：2020-09-15
Applicant: 哈尔滨理工大学
Abstract: 一种无监督模型参数迁移的滚动轴承寿命预测方法，属于滚动轴承状态识别及剩余寿命预测技术领域。本发明针对实际中某种工况滚动轴承带标签振动数据获取困难，健康指标难以构建及寿命预测误差大的问题而提出的。该方法首先对滚动轴承全寿命周期振动数据提取均方根特征，并引入新的自下而上时间序列分割算法将特征序列分割为正常期、退化期和衰退期3种状态；对振动信号经快速傅里叶变换后的幅值序列进行状态信息标记，并作为改进全卷积神经网络的输入，提取深层特征，经训练构建源域模型和微调后的状态识别模型，实现滚动轴承多状态识别；利用状态概率估计法建立滚动轴承寿命预测模型。实验验证，所提方法无需构建健康指标，可实现无监督条件下不同工况滚动轴承状态识别和寿命预测，并获得较好的效果。
-
公开(公告)号：CN112101220B
公开(公告)日：2023-03-03
申请号：CN202010971076.4
申请日：2020-09-15
Applicant: 哈尔滨理工大学
IPC: G06F18/213 , G06F18/23 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/088
Abstract: 一种无监督模型参数迁移的滚动轴承寿命预测方法，属于滚动轴承状态识别及剩余寿命预测技术领域。本发明针对实际中某种工况滚动轴承带标签振动数据获取困难，健康指标难以构建及寿命预测误差大的问题而提出的。该方法首先对滚动轴承全寿命周期振动数据提取均方根特征，并引入新的自下而上时间序列分割算法将特征序列分割为正常期、退化期和衰退期3种状态；对振动信号经快速傅里叶变换后的幅值序列进行状态信息标记，并作为改进全卷积神经网络的输入，提取深层特征，经训练构建源域模型和微调后的状态识别模型，实现滚动轴承多状态识别；利用状态概率估计法建立滚动轴承寿命预测模型。实验验证，所提方法无需构建健康指标，可实现无监督条件下不同工况滚动轴承状态识别和寿命预测，并获得较好的效果。
-
公开(公告)号：CN111680446B
公开(公告)日：2022-11-15
申请号：CN202010032285.2
申请日：2020-01-11
Applicant: 哈尔滨理工大学
IPC: G06K9/62 , G06K9/00 , G01M13/045
Abstract: 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法，属于滚动轴承剩余寿命预测领域，解决现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题。首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算，得到迭代特征。将多粒度级联森林中的多粒度扫描结构替换为卷积神经网络，利用卷积神经网络提取迭代特征的深层特征，并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成，引入决定系数R2构建CasCatBoost结构以提高模型的表征能力，选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合，预测出轴承的剩余寿命。本方法具有较高的运算效率和预测精度。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.027 seconds)
