-
公开(公告)号：CN117289299A
公开(公告)日：2023-12-26
申请号：CN202311283413.0
申请日：2023-09-28
Applicant: 齐鲁工业大学(山东省科学院) , 山东大学 , 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明提供了一种基于线段特征的机器人长走廊环境导航方法，属于机器人导航技术领域。所述方法，包括：根据移动机器人的激光雷达数据，判断机器人是否处在长走廊环境；当机器人处在长走廊环境时，根据激光雷达数据进行线段特征提取，以线段特征的中心点为当前观测数据；将当前观测数据与在先观测数据或当前地图中的特征关联，根据特征关联结果进行地图更新和机器人位姿估计。本发明解决了人工标识物布设复杂和维护困难的问题，能够有效地提高机器人在不同场景下的适用性及定位的准确性，通过对显著特征的提取、关联匹配和跟踪，实现了完整的高精度地图的构建，减少了初始定位和自主定位的误差。
-
公开(公告)号：CN116578940A
公开(公告)日：2023-08-11
申请号：CN202310572685.6
申请日：2023-05-18
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F18/2433 , G06F18/2413 , G06F18/2415
Abstract: 本发明属于智能故障诊断的技术领域，更具体地，涉及一种基于混合深度自编码的轴承故障新类识别与诊断方法，包括S1、采集不同故障条件下的轴承振动信号数据作为样本；S2、对S1中采集的样本进行预处理，并分为训练集和测试集；S3、搭建混合深度自编码网络，包括第一编码器、解码器、第二编码器和Softmax分类层的结构；S4、将训练集输入混合深度自编码网络，进行预训练得到新类故障检测阈值，实现故障分类；S5、将测试集输入训练好的混合深度自编码网络中进行诊断。本发明解决了现有技术中深度学习模型需要大量的标记数据来训练，单个深度学习模型提取相似特征时容易造成故障的误分类和模型的过拟合的问题。
-
Patent Agency Ranking
公开(公告)号：CN117168814A
公开(公告)日：2023-12-05
申请号：CN202311133629.9
申请日：2023-09-04
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院) , 山东山科智控数字化科技有限公司
IPC: G01M13/045 , G06F18/213 , G06F18/214 , G06F18/2433 , G06N3/0455 , G06N3/0475 , G06N3/0464 , G06N3/094 , G06N3/084 , G06N3/0985 , G06F123/02
Abstract: 本发明涉及轴承故障诊断技术领域，具体涉及一种基于复合生成对抗网络的轴承故障诊断方法；包含如下步骤：采集原始真实轴承故障数据作为训练样本数据；构建由两组生成器、两组判别器和目标攻击网络组成的复合生成对抗网络模型；交替训练两组生成器、两组判别器，将训练后的对抗样本加入原始数据集进行数据扩充，然后使用扩充后的原始数据集训练故障分类器，最后进行故障诊断。本发明提供的轴承故障诊断方法生成的故障对抗样本可有效扩充数据集，使用组合数据集对故障分类器进行训练，能提高故障分类器的泛化能力，很好地解决了故障诊断中数据样本不足的问题。
-
公开(公告)号：CN116754230A
公开(公告)日：2023-09-15
申请号：CN202310489061.8
申请日：2023-04-25
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G01M13/045 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/084
Abstract: 一种基于深度卷积生成对抗网络的轴承异常检测和故障诊断方法，属于人工智能识别机械部件的技术领域，既可以实现对轴承类部件的异常检测，也可以实现对轴承的故障类别分类。本发明所述的网络模型在结构上做出相应改进，以及在功能上实现了对轴承部件的异常检测和故障诊断功能融合，还可以使用模型生成数据进行数据扩充，并且在异常检测以及故障诊断达到了较高的准确率。
-
公开(公告)号：CN115661094A
公开(公告)日：2023-01-31
申请号：CN202211358411.9
申请日：2022-11-01
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
Abstract: 本发明涉及工业缺陷检测技术领域，公开了基于改进YOLOX模型的工业瑕疵检测方法，包括通过工业深度相机对流水线的工业产品进行拍照，所拍摄的高分辨率工业图片经过标准尺寸切割后预处理为标准图片，再对每一张标准图片的每个像素进行归一化后作为输入信息传入基于改进YOLOX模型的工业瑕疵检测网络，最终获得图片的检测框坐标、置信度和类别；网络针对获取到的图片信息进行后处理，将检测框坐标、置信度和类别信息绘制到原始图片，将绘制后的处理图片进行输出。本发明在特征提取网络内加入注意力机制和自适应特征融合，使网络能更好地聚焦目标物体。最终在网络预测时不过多损失速度的情况下提高了预测的准确率，达到速度与准确率的平衡。
-
公开(公告)号：CN116633705B
公开(公告)日：2023-10-13
申请号：CN202310919286.2
申请日：2023-07-26
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明公开的基于复合自动编码器的工业控制系统异常检测方法及系统，属于工业控制系统异常检测技术领域，包括：获取工业控制系统的多维时序数据；对多维时序数据进行时序划分，获得多段子序列数据；根据复合自动编码器和多段子序列数据，获得重构数据和预测数据；根据重构数据、子序列数据和预测数据，计算获得重构误差和预测误差；根据重构误差和预测误差，识别出现异常流量时间；根据每个时间每个维度的总误差，计算每个维度在出现异常流量时间前后的总误差变化率；判定总误差变化率大于变化率阈值的维度对应的流量数据为异常。实现了对工业控制系统中异常流量的准确识别。
-
公开(公告)号：CN116633705A
公开(公告)日：2023-08-22
申请号：CN202310919286.2
申请日：2023-07-26
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明公开的基于复合自动编码器的工业控制系统异常检测方法及系统，属于工业控制系统异常检测技术领域，包括：获取工业控制系统的多维时序数据；对多维时序数据进行时序划分，获得多段子序列数据；根据复合自动编码器和多段子序列数据，获得重构数据和预测数据；根据重构数据、子序列数据和预测数据，计算获得重构误差和预测误差；根据重构误差和预测误差，识别出现异常流量时间；根据每个时间每个维度的总误差，计算每个维度在出现异常流量时间前后的总误差变化率；判定总误差变化率大于变化率阈值的维度对应的流量数据为异常。实现了对工业控制系统中异常流量的准确识别。
-
-
-
-
-
-
Search Results
7
records
(took 0.102 seconds)
