-
公开(公告)号：CN114997218B
公开(公告)日：2024-06-04
申请号：CN202210556453.7
申请日：2022-05-20
Applicant: 西南交通大学
IPC: G06F18/2411 , G06F18/213 , G06F18/214 , G06N3/006 , G06N3/0464 , G06N3/086 , B61K9/12
Abstract: 本发明公开了一种针对轨道车辆车轮多边形磨耗的识别检测方法，所述识别检测方法包括如下步骤：S1、构建多边形磨耗分类数据集；S2、1DCNN‑SVM模型的构建与训练；S3、多边形磨耗分类识别；S4、建立多边形磨耗波深识别样本集；S5、构建KSM‑PSO模型与多边形磨耗波深识别。本发明省去了传统信号处理和机器学习方法复杂的特征提取过程，采用一维卷积神经网络来自适应提取轴箱垂向加速度信号的特征，1DCNN‑SVM分类模型能达到99.82％的识别率，并利用克里金代理模型KSM和粒子群优化算法PSO对多边形磨耗波深进行定量识别，其误差不超过2％，平均相对误差仅为0.50％，单条波深样本识别平均耗时仅为0.11s，满足在线监测的时效性，为轨道车辆/地铁车辆车轮多边形磨耗识别提供新的解决思路。
-
公开(公告)号：CN119622441A
公开(公告)日：2025-03-14
申请号：CN202411477426.6
申请日：2024-10-22
Applicant: 西南交通大学
IPC: G06F18/241 , G06N3/094 , G06N3/0455 , G06F17/15 , G06N3/0464 , G06F18/214 , G06F18/10
Abstract: 本发明公开了一种压缩感知与增强上下文编码器驱动的SHM数据重构方法，包括：基于压缩感知和上下文编码器基本理论构建用于SHM数据重构的CS‑ECE模型；所述CS‑ECE模型包括生成器G和鉴别器D；收集在役的基础结构或机械设备中的SHM数据，并对数据进行预处理，利用预处理后的数据对所述CS‑ECE模型进行训练，其中，生成器G被训练成将原始信号x映射到压缩信号y，以重构高质量的恢复信号#imgabs0#鉴别器D用于执行分类任务来区分原始信号x和重构信号#imgabs1#利用训练后的CS‑ECE模型对SHM数据进行重构；本发明针对缺失数据的重构恢复，以对数据质量保障这一应用基础问题提供闭环的解决方案，用于SHM数据质量的保障。
-
公开(公告)号：CN115238753A
公开(公告)日：2022-10-25
申请号：CN202211147791.1
申请日：2022-09-21
Applicant: 西南交通大学
IPC: G06K9/00
Abstract: 本发明涉及机械结构健康监测技术领域，涉及一种基于局部离群因子的自适应SHM数据清洗方法，包括以下步骤：一、使用自适应滑动窗ASW技术将待分析机械结构健康监测SHM数据划分为一系列片段；二、提取每个数据片段的时、频域统计因子，用于提炼数据信息并形成相应的研究对象；三、基于特征因子，利用加权多尺度局部离群因子WMLOF计算每个对象的离群程度；四、通过比较WMLOF特征值和预设阈值来检测SHM数据中的异常值。本发明能较佳地提高数据质量。
-
公开(公告)号：CN111637964B
公开(公告)日：2021-10-26
申请号：CN202010397696.1
申请日：2020-05-12
Applicant: 西南交通大学
Abstract: 本发明涉及轨道交通轮轨短波不平顺的监测，特别涉及钢轨波磨识别方法，该方法包括通过安装在车辆上的振动传感器实时采集车辆沿轨道运动时产生的特定振动信息从而获得振动时域信息；将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的车辆运动路径等长；将各分段振动时域信息分别转换成频域信息；将频域信息输入到用于钢轨波磨识别的卷积神经网络模型，得到卷积神经网络对钢轨波磨状态的分类结果。使本方法在车辆复杂的运营条件及速度时变工况下仍然能保持较高的识别精度，精度稳定在99.2％。
-
公开(公告)号：CN117799659A
公开(公告)日：2024-04-02
申请号：CN202311826215.4
申请日：2023-12-27
Applicant: 西南交通大学
IPC: B61K9/12 , G06N3/0464 , G06F18/25 , G06F18/27 , G06F30/23
Abstract: 本发明公开了一种多结构数据驱动的车轮扁疤定量识别方法及系统，构建车辆–轨道刚柔耦合动力学模型，将合成扁疤作为车轮不圆激励，以获取不同工况下轴箱动态响应；对轴箱垂向振动加速度分别进行时域、频域和时频域处理，制成不同结构形式样本集；构建具有恰当结构与配置参数的多输入卷积神经网络并以车速信号为网络的约束信息，将不同结构形式及其组合的样本集与速度信号融合输入至MCNN模型训练，比较不同数据结构下MCNN模型对车轮扁疤定量识别的准确性与时效性。基于本发明的方法可得到具有最佳识别性能的最优样本输入形式组合，且得到的识别模型不仅具有良好的抗噪能力，还因将速度作为网络约束信息而性能更佳，整体优越性较好。
-
Patent Agency Ranking
公开(公告)号：CN116252820A
公开(公告)日：2023-06-13
申请号：CN202310536835.8
申请日：2023-05-12
Applicant: 西南交通大学
IPC: B61K9/12 , G06F18/20 , G06F18/213
Abstract: 本发明涉及车轮多边形检测技术领域，涉及一种改进频域积分法驱动的高速列车车轮多边形定量检测方法，其包括以下步骤：1）从运行中的列车上采集轴箱加速度ABA和速度信号，并采用滑动窗口技术将数据划分为不同的片段；2）引入稳态试验来计算每个片段的一致相关系数CCC，保存满足阈值要求的片段；3）采用相似性试验从保存的片段中精确提取代表每个车轮旋转周期的准平稳ABA信号；4）对提取的准平稳ABA信号进行改进的频域积分分析以定量检测车轮多边形。本发明能较佳地进行车轮多边形定量检测。
-
公开(公告)号：CN115600086B
公开(公告)日：2023-04-07
申请号：CN202211420184.8
申请日：2022-11-15
Applicant: 西南交通大学
IPC: G06F18/15 , G06F18/213 , G06F18/27 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及钢轨波磨检测技术领域，涉及一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其包括以下步骤：一、数据预处理与标准化，将轴箱加速度ABA信号和钢轨波磨信号统一标准化至空间参考系，并生成相应的训练数据和标签数据；二、构建适用于ABA信号特征提取和钢轨波磨粗糙度特征回归的一维卷积神经网络RCNet；三、RCNet训练；四、在训练好的RCNet的基础下，以ABA信号为输入便可定量检测钢轨波磨粗糙度的严重程度。本发明能较佳地进行定量检测。
-
公开(公告)号：CN115238753B
公开(公告)日：2022-12-06
申请号：CN202211147791.1
申请日：2022-09-21
Applicant: 西南交通大学
IPC: G06K9/00
Abstract: 本发明涉及机械结构健康监测技术领域，涉及一种基于局部离群因子的自适应SHM数据清洗方法，包括以下步骤：一、使用自适应滑动窗ASW技术将待分析机械结构健康监测SHM数据划分为一系列片段；二、提取每个数据片段的时、频域统计因子，用于提炼数据信息并形成相应的研究对象；三、基于特征因子，利用加权多尺度局部离群因子WMLOF计算每个对象的离群程度；四、通过比较WMLOF特征值和预设阈值来检测SHM数据中的异常值。本发明能较佳地提高数据质量。
-
公开(公告)号：CN113947129B
公开(公告)日：2022-06-14
申请号：CN202111001929.2
申请日：2021-08-30
Applicant: 西南交通大学
Abstract: 本申请提供了车轮失圆状态智能识别AI模型的训练方法、使用方法、计算机设备以及计算机可读存储介质，有助于提高AI模型针对振动响应进行预测的准确率。训练方法包括：获得被测车轮运行过程中的振动检测数据；从所述振动检测数据中提取数据而获取样本，样本以被测车轮运行于一个设定长度L的位移为单位并包含该单位对应的振动强度特征向量和被测车轮失圆状态标签，设定长度L≥被测车轮的周长，所述振动强度特征向量被要求具有设定维数N且当该振动强度特征向量中能够从所述振动检测数据中提取的振动强度特征值的数量少于该设定维数N时通过数值插值来弥补；使用所述样本对预设神经网络进行迭代训练，直至所述预设神经网络的训练达到设定阈值。
-
公开(公告)号：CN113947130A
公开(公告)日：2022-01-18
申请号：CN202111001943.2
申请日：2021-08-30
Applicant: 西南交通大学
Abstract: 本申请提供了车轮多边形磨损波形回归预测AI模型的训练方法、使用方法、计算机设备以及计算机可读存储介质。训练方法包括：获得被测车轮运行过程中的振动检测数据；从所述振动检测数据中提取数据而获取样本，所述样本以被测车轮运行于一个设定长度L的位移为单位并包含该单位对应的振动强度特征向量和被测车轮多边形磨损状况标签，所述设定长度L≥被测车轮的周长，所述振动强度特征向量被要求具有设定维数N，所述样本的多边形磨损状况标签是根据该样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点的实测多边形磨损值确定；使用所述样本对预设神经网络进行迭代训练，直至所述预设神经网络的训练达到设定阈值。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.023 seconds)
