-
公开(公告)号：CN117493793A
公开(公告)日：2024-02-02
申请号：CN202311358075.2
申请日：2023-10-19
Applicant: 湖南工业大学
IPC: G06F18/20 , G06F18/213 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于改进脉冲可分离卷积增强Transformer encoder的剩余寿命预测方法，改进脉冲可分离卷积模块将时间序列信号转换为脉冲信号，来捕获不同传感器数据间的相互关系，减少了编码过程中的信息损失，利用替代梯度法，对网络进行改进，并且加入ECA注意力机制来对脉冲特征图进行重新标定，突出有用的脉冲特征。然后，基于有效特征的基础上采用多头自注意力机制方式对故障特征在全生命周期长时间跨度上每个时间步的依赖关系进行综合把控。最后经过改进的Transformer encoder算法和MLP线性层得到最终的RUL结果。本发明解决多传感器的多通道数据存在耦合关系难以建模，以及传统神经网络在处理钢轨伤损长时间序列建模中难以捕获时间序列中的长期依赖关系问题。
-
公开(公告)号：CN116719947A
公开(公告)日：2023-09-08
申请号：CN202310439744.2
申请日：2023-04-23
Applicant: 湖南工业大学 , 湖南昊实科技发展有限公司
Abstract: 本发明提供一种用于电力巡检缺陷检测的知识处理方法及装置，所述方法包括以下步骤：根据所述电力设备知识图谱中的起点实体和终点实体，获取一条最优路径来连接所述起点实体和终点实体，以形成马尔科夫决策过程；对所述马尔科夫决策过程进行训练，以得到训练后的马尔科夫决策过程；训练后的马尔科夫决策过程中的智能体通过随机波束搜索策略依次选择输出边缘，并遍历到新实体，当智能体使用随机波束搜索策略搜索到一个最优路径时，该路径自动形成其预测的可解释来源。本发明不仅使电力设备知识图谱知识补全可解释，同时提高了理解复杂环境和推断高级因果关系方面的能力。
-
公开(公告)号：CN119885437A
公开(公告)日：2025-04-25
申请号：CN202411967669.8
申请日：2024-12-30
Applicant: 湖南工业大学
IPC: G06F30/15 , G06F30/27 , G06N3/096 , B61K9/08 , G06F119/14
Abstract: 本申请公开了一种重载列车轮轨力监测模型的训练方法、装置和设备，包括：获取多组轨检车和重载列车在预设轨道行驶的实际轮轨力和仿真轮轨力；对每组轨检车仿真轮轨力和重载列车仿真轮轨力进行模型训练，得到轨检车和重载列车的仿真轮轨力映射关系模型；将轨检车实际轮轨力和重载列车实际轮轨力输入仿真轮轨力映射关系模型中进行神经网络迁移学习，得到重载列车轮轨力监测模型。基于此，通过对多组仿真轮轨力进行模型训练，从而准确确定重载列车和轨检车之间所存在的一个映射关系，由此再通过迁移学习的方式，将仿真轮轨力映射关系模型从仿真数据中迁移到现实中来，从而使得通过重载列车轮轨力监测模型所检测得到的轮轨力更加准确。
-
公开(公告)号：CN118606773A
公开(公告)日：2024-09-06
申请号：CN202410329092.1
申请日：2024-03-21
Applicant: 湖南工业大学
IPC: G06F18/241 , G01M13/045 , G01M13/04 , G06F18/214 , G06F18/213 , G06N3/042 , G06N3/0464
Abstract: 本发明公开了一种基于多约束条件下模态不变性图卷积融合网络的故障诊断方法及模型，本发明所述模型包括多约束模态不变性表示和图卷积融合推断两个部分，多约束模态不变性表示部分通过卷积自编码器和挤压激励模块对电流、振动模态数据进行独立特征提取，通过源域分类器、域鉴别器捕获电流、振动模态数据间的冗余性、互补性。图卷积融合推断部分利用图卷积神经网络的空间聚合特征对电流、振动模态特征进行融合以充分利用多模态上下文语义信息，获取更全面、更完备的轴承状态信息再通过MLP执行最终故，障决策，解决了现有多模态数据数量多、种类多、差异大，进而导致多源数据之间冗余性、互补性挖掘困难，数据融合难的问题。
-
公开(公告)号：CN116012687A
公开(公告)日：2023-04-25
申请号：CN202310101570.9
申请日：2023-02-10
Applicant: 湖南工业大学
Abstract: 本发明公开了一种用于轮对踏面缺陷识别的图像交互融合方法，所述方法主体包含有五个阶段，分别为数据采集与处理阶段、多尺度交互注意特征提取阶段、约束耦合解码阶段、融合推断阶段以及结果展示阶段；其多尺度交互注意特征提取阶段中运用的自适应混合交互注意模块，利于进行模型目标形状的区分，其多尺度交互注意特征提取阶段中运用的多尺度稀疏特征提取模块，利于进行提取特征时尺度的区分；其设计的约束耦合解码阶段，该阶段将一致性损失和重构损失引入模态解码器中，提高了模型识别的精度；综上所述，本发明解决了提取特征时目标形状和尺度难以区分的问题，模型识别精度高。
-
Patent Agency Ranking
公开(公告)号：CN118395160A
公开(公告)日：2024-07-26
申请号：CN202410329089.X
申请日：2024-03-21
Applicant: 湖南工业大学
IPC: G06F18/2135 , G01M13/00 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/049 , G06N3/045
Abstract: 本发明公开了一种基于PCA和TCN‑Attention的剥离伤损退化趋势预测方法，本发明所述方法先从钢轨剥离伤损振动信号中提取时域、频域特征，利用PCA对高维特征集进行降维，然后利用时序样本间特征的差异性，连续获取样本间的欧式距离，从而构建成钢轨剥离伤损退化指标，最后利用TCN‑Attention模型预测钢轨剥离伤损退化趋势，解决了现有钢轨剥离伤损退化趋势预测研究中退化指标特征单一，预测模型存在长期依赖的问题。
-
公开(公告)号：CN119622116A
公开(公告)日：2025-03-14
申请号：CN202411804733.0
申请日：2024-12-10
Applicant: 湖南工业大学
IPC: G06F16/9536 , G06F16/9535
Abstract: 本发明公开了一种基于加权信任关系增强的推荐算法(TECosRA)，步骤包括：首先对用户选择过的项目进行资源初始化，然后在资源扩散过程中使用CosRA相似度计算用户从项目获得的资源值，接下来引入用户的信任关系，用户获得信任关系资源值，用可调参数的控制用户的信任资源值，与用户的项目资源值线性结合，对物品得到的最终资源值进行降序排序，排除用户已选的物品，生成长度为L的推荐列表。本发明所述算法提高了推荐系统的准确性和多样性，在准确性和多样性上取得一定的平衡，增强了社交网络中的信任关系对推荐算法的积极作用，在一定程度上缓解了数据稀疏性和冷启动问题对推荐算法的消极影响。
-
公开(公告)号：CN117494551A
公开(公告)日：2024-02-02
申请号：CN202311359340.9
申请日：2023-10-19
Applicant: 湖南工业大学
IPC: G06F30/27 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F119/04
Abstract: 本发明公开了一种基于动态多尺度激活控制网络的剩余寿命预测方法。本发明首先构建特征提取压缩模块，可以不进行任何基于信号处理的情况下低计算预算和自适应地学习故障特征，并有效压缩。其次设计多尺度门控因果膨胀卷积(MGDCC)结构，可以高效多尺度的从全生命周期中每个时间步上短时长高频数据中挖掘出寿命退化程度的特征，再外联门控循环单元(GRU)进一步把控全生命周期维度上的寿命退化趋势特征。最后基于前层挖掘出的特征给出最终的RUL预测值。本发明所述方法解决了现有预测模型易受数据中噪声干扰、挖掘寿命退化特征时计算成本上升以及预测精度不高的问题。
-
公开(公告)号：CN115984568A
公开(公告)日：2023-04-18
申请号：CN202211342247.2
申请日：2022-10-31
Applicant: 北京尊冠科技有限公司武汉分公司 , 湖南工业大学
IPC: G06V10/30 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/774
Abstract: 本发明涉及目标检测领域，具体为一种基于YOLOv3网络的雾霾环境下目标检测方法。其包括如下步骤S1‑S3：S1、获取雾霾环境下的目标检测数据集；S2、使用条件对抗生成网络对图像进行预处理，条件生成对抗网络包括生成器、判别器和整体损失函数；S3、结合预处理后的图像，送入改进后的YOLOv3目标检测网络进行训练和预测，输出检测结果。本发明通过条件对抗生成网络对雾霾图像进行预处理，采用改进后的YOLOv3算法训练，能够有效提升雾霾天气下目标检测的准确率。
-
公开(公告)号：CN119784250A
公开(公告)日：2025-04-08
申请号：CN202411916812.0
申请日：2024-12-24
Applicant: 湖南工业大学
IPC: G06Q10/0639 , G06Q50/40 , G06F18/213 , G06F18/214 , G06F18/21 , G06N3/0442 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于CEEMDAN‑CNN‑LSTM的重载列车长大上坡工况轨道质量指数预测方法，将采集的上坡TQI数据视为时间序列数据，利用深度学习模型充分利用重载铁路长大上坡TQI的采集数据来预测长大上坡的TQI信息；基于CEEMDAN将非线性TQI数据分解为较为简单的时序数据；混合卷积神经网络(CNN)和长短期记忆神经网络(LSTM)对上坡工况历史风速时序数据进行训练学习，提取历史TQI值与未来TQI值间的关系，再对模型性能进行验证。本发明提高了对重载列车长大上坡工况轨道质量指数的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
