-
公开(公告)号：CN118277830A
公开(公告)日：2024-07-02
申请号：CN202410422892.8
申请日：2024-04-09
Applicant: 西安交通大学
IPC: G06F18/24 , F17D5/06 , G06F18/2131 , G06F18/25 , G06F18/22 , G06N3/084 , G06N3/0464 , G06N3/045 , G06N3/048 , G06F18/21
Abstract: 本发明公开了一种用于管道泄漏监测的可解释深度学习框架，首先，采用三种不同的小波基函数对泄漏声发射信号进行分析，处理得到的时频特征表现出相关性和互补性。基于此，设计了具有不同小波卷积核的可解释神经网络，通过多级动态感受野来提取宽频声发射信号的抽象特征细节。然后，设计了基于通道重要性加权的特征融合模块，以突出不同通道的贡献度来优化网络的学习过程。结果表明，本发明所提方法可有效提取出泄漏声发射信号的辨别特征，不同泄漏状态的识别正确率可达98.32％，显著高于典型的深度学习方法。此外，特征图可视化证明了所提方法在抽象特征提取中具有物理可解释性，这将为工业技术人员的正确决策提供参考依据。
-
Patent Agency Ranking
公开(公告)号：CN119337054A
公开(公告)日：2025-01-21
申请号：CN202410424050.6
申请日：2024-04-09
Applicant: 西安交通大学
Abstract: 一种核电循环水泵叶轮振动信号去噪方法，方法中，采集核电循环水泵叶轮的振动信号；改进的海鸥算法采用Logistic混沌映射进行海鸥种群初始化，利用tanh函数设计非线性递减的惯性权重，在海鸥攻击阶段加入莱维飞行机制，同时利用相关系数和排列熵构造适应度函数，并利用改进的海鸥算法优化变分模态分解参数；按照改进的海鸥算法优化后的变分模态分解参数，对振动信号进行变分模态分解，得到本征模态分量，通过构造的筛选指标计算各本征模态分量的评价分数；根据评价分数确定各本征模态分量的含噪程度，进行相应的去噪，利用去噪后的本征模态分量重构信号并设定评价指标对结果进行评价。
-
公开(公告)号：CN118335106A
公开(公告)日：2024-07-12
申请号：CN202410422896.6
申请日：2024-04-09
Applicant: 西安交通大学
IPC: G10L25/30 , F17D5/06 , G01M3/24 , G01N29/14 , G10L25/03 , G10L25/51 , G10L21/10 , G10L21/18 , G06F18/241 , G06F18/2415 , G06F18/20 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于声发射图像编码和深度学习的管道泄漏监测方法，针对焊缝连接中裂纹形式的多样性导致时变声发射信号复杂多变，限制了实际应用中的监测精度等难题。基于马尔科夫变迁场将声发射监测系统采集到的泄漏信号编码为二维图像数据，在加强时序采样点之间的相关性和时间依赖性的同时，揭示信号的多维相空间轨迹。然后，构建了一种Residual Swin Transformer网络模型以从声发射编码图像中获取有用的信息并对不同的泄漏事件进行识别。Residual Swin Transformer在高效性、强大的建模能力、残差连接和多尺度特征表示等方面具有优势，可以促进信息的流动和特征的传递从而能够更好地捕捉全局关系和语义。
-
公开(公告)号：CN118133683A
公开(公告)日：2024-06-04
申请号：CN202410422890.9
申请日：2024-04-09
Applicant: 西安交通大学
IPC: G06F30/27 , F17D5/06 , G06N3/0464 , G06F119/02
Abstract: 本发明公开了一种基于增量学习的管道裂纹泄漏率预测方法。针对焊缝裂纹处的微观组织差异及宏观动态扩展致使泄漏率随着时间和环境变化而不断发生漂移，难以准确预测的难题，首先，在增强的自组织增量学习算法中引入亲和度阈值，提高其分离重叠簇和面对不同声发射信号输入时的稳定性；其次，结合深度优先搜索和径向基函数神经网络，对泄漏状态进行增量标记；进而，设计了具有可移植性的输入注意力模块，添加不同的权重到输入序列中；最后基于时间卷积网络实现了对不同裂纹状态下泄漏率的准确预测。
-
公开(公告)号：CN118296415A
公开(公告)日：2024-07-05
申请号：CN202410422899.X
申请日：2024-04-09
Applicant: 西安交通大学
IPC: G06F18/2321 , G06F18/21 , G06F18/213
Abstract: 本发明公开了一种基于多重分形与无监督聚类的拉伸损伤在线表征方法。针对裂纹损伤及演化过程不易察觉、破坏载荷低等特征致使实时监测困难以及传统的时频域分析尚且不能反映裂纹损伤演化的宏观机制等难题，根据获得的拉伸过程载荷时间历程曲线和材料损伤声发射监测信号，基于多重分形算法提取裂纹拉伸各阶段的损伤特征，通过量化多重分形谱f(α)、谱宽Δα、谱高Δf等多重分形特征的局部变化来表征裂纹损伤的不同阶段，采用DBSCAN方法基于多重分形特征进行无监督聚类，并且利用聚类轮廓系数对聚类效果进行评估，最终使训练出来的模型具备对未知数据进行在线模式识别的能力。
-
公开(公告)号：CN118228136A
公开(公告)日：2024-06-21
申请号：CN202410422898.5
申请日：2024-04-09
Applicant: 西安交通大学
IPC: G06F18/2415 , G06F18/2136 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08 , F17D5/06
Abstract: 本发明提出了一种用于管道泄漏声发射监测的轻量级智能网络架构。首先，采用离散稀疏变换将泄漏声发射监测信号进行稀疏表示。其次，提取压缩泄漏声发射特征，实现不同管道泄漏工况的分类表征；然后，在提出的深度稠密可分离全卷积神经网络架构中，引入深度稠密可分离卷积来代替标准卷积，通过堆叠多个深度稠密可分离卷积模块获取非线性特征；利用GAP层和Softmax层来克服传统线性层参数量大以及输入尺寸固定的缺点，并实现最终的泄漏裂纹监测识别任务。本发明在管道焊缝泄漏裂纹监测上具有更高的准确性和计算效率，此外，在应对不同的泄漏工况时，本发明所不需要频繁地修改声发射信号的采样长度和模型的超参数便能够完成实时的监测任务。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
