-
公开(公告)号：CN108982652B
公开(公告)日：2022-05-20
申请号：CN201810928650.0
申请日：2018-08-15
Applicant: 东北大学
IPC: G01N27/83
Abstract: 一种多频激励场阵列电磁无损检测金属表面裂纹的方法，方法：1)在待测试件的中心位置处生成一个标准缺陷；2)将激励装置与待测试件连接，搭建检测模型；3)在线圈接受激励的同时进行分量的采集，提取出每个数据的检测信号，使用EMD进行经验模态分解，得到本征模函数信号；4)根据分量数据特征，实现裂纹缺陷的角度、轴向长度、周向长度以及径向长度的精准识别，进而换算出缺陷的实际尺寸；本发明使用缠绕着通电矩形线圈的U型磁轭对待检构件磁化激发出缺陷漏磁场，实现缺陷上方磁场扰动的信号采集，并对金属表面缺陷进行检测与识别，提高检测结果的可靠性，对于缺陷形状较复杂试件的电磁无损检测具有较强的使用价值。
-
公开(公告)号：CN109142514B
公开(公告)日：2022-04-01
申请号：CN201811147009.X
申请日：2018-09-29
Applicant: 东北大学
Abstract: 本发明提供一种基于脉冲涡流阵列的缺陷检测装置及方法，涉及无损检测技术领域。本方法的过程如下：信号发生器产生周期性脉冲信号，经功率放大器放大后，施加到激励线圈两端。检测线圈阵列单元采集被测试件上方磁场信号，输出给信号调理单元；信号调理单元对信号进行滤波、放大后输出给A/D转换单元，最后，送入DSP数据处理模块，求取缺陷的尺寸信息。本发明装置对检测阵列数据了进行了聚类和均值处理，有效抑制了检测阵列线圈倾斜或提离对缺陷检测的影响；采用了一个线圈作为激励、多个检测线圈组成阵列的结构，即减小了磁场的干扰，又实现了更为全面的缺陷信息检测；将时域特征量和频域特征量相结合，提高了缺陷检测精度。
-
公开(公告)号：CN109100416B
公开(公告)日：2022-02-01
申请号：CN201811105826.9
申请日：2018-09-21
Applicant: 东北大学
IPC: G01N27/82 , G06F30/20 , G06K9/00 , G06K9/62 , G06F119/02
Abstract: 本发明提供一种基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置，涉及管道缺陷检测技术领域。该装置由多频正弦激励信号发生模块给正交电磁检测探头提供激励信号，对管道进行磁化，霍尔传感器模块捕捉管道内磁场变化并输出多频电磁检测信号，经信号调理电路进行滤波、放大后进入A/D转换模块实现模数转换，再送入FPGA中央处理单元进行分频处理，最后送到缺陷异常判断模块和基于K‑近邻算法的缺陷尺寸预测模块，进行异常状态数据剔除和缺陷尺寸预测。本发明能实现无接触检测，实现表面、近表面、通孔等不同深度缺陷的检测，实现轴向、周向缺陷尺寸的检测，可以通过检测信号的特征量较为准确的预测到缺陷的尺寸。
-
公开(公告)号：CN109086793B
公开(公告)日：2021-11-16
申请号：CN201810675216.6
申请日：2018-06-27
Applicant: 东北大学
IPC: G06K9/62
Abstract: 本发明的一种风力发电机的异常识别方法，将SCADA数据中异常的属性剔出，保留的其他属性经k‑means聚类；将属性分别经t‑SNE降低成固定维数；将降维后的有效数据进行皮尔森相关系数计算排序，转换为图片作为CNN的输入，通过对图片二分类实现风机的正异常判断。该异常识别方法在建立风机异常识别模型时，输入输出涉及所有属性，模型可以有效识别多类属性同时发生多种异常，模型具有通用性，适用于任何风场；采用先聚类后类内降维的数据预处理方法，去除了不必要的干扰，提高准确性；采用卷积神经网络进行属性异常识别可抑制噪声干扰，准确发现风机属性图片微小变化，较强的区别特征的能力和鲁棒性使其具有更好的准确性。
-
公开(公告)号：CN109325544B
公开(公告)日：2021-10-19
申请号：CN201811182189.5
申请日：2018-10-11
Applicant: 东北大学
IPC: G06K9/62
Abstract: 本发明提供一种基于中层特征的管道异常分类方法，涉及管道无损检测和数据挖掘领域。该方法包括：步骤1.管道漏磁信号的预处理；步骤2.获取漏磁数据样本集；步骤3.生成漏磁数据样本的显性特征；步骤4.基于BOW模型生成漏磁数据样本的中层特征：对每个样本圈框并计算差分特征向量；对待聚类差分特征向量集进行K‑Means聚类，得到k个视觉单词；统计每个视觉单词在每个样本中的频数，得到每个样本的中层特征向量；步骤5.基于联合稀疏表示的特征融合算法，将样本的显性特征与中层特征融合，形成联合稀疏矩阵，利用分类判别函数对样本分类。本发明解决了现有技术中管道异常的特征提取和分类准确性低、检测效果不理想的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN109688598B
公开(公告)日：2021-07-13
申请号：CN201910026757.0
申请日：2019-01-11
Applicant: 东北大学
Abstract: 本发明提供一种基于WSAN的复杂管网分布式数据采集系统及传输优化方法，涉及无线传感网络领域。该系统包括感知、执行器、网络和监控4个单元；该方法包括：建立网络并初始化网络中各节点参数；在监测区域均匀分布执行器节点；确定传感器节点组的初始组头和组员并实时更新各节点的所在组；根据压力和流量信号计算回归系数向量并构建回归系数矩阵；根据信号强度确定组头对应执行器；实时更新分布式网络模型的参数，同时组头接收数据构建回归系数矩阵并将其发给执行器；监控单元存储、处理和分析数据，实时监控复杂管网工况。本方法解决了风功率的不确定性，降低由于风电随机性导致的上报预测误差，提高风功率预测的准确性，使电力系统更平稳经济调度。
-
公开(公告)号：CN106950276B
公开(公告)日：2020-05-05
申请号：CN201710168186.5
申请日：2017-03-21
Applicant: 东北大学
IPC: G01N27/83
Abstract: 本发明提供一种基于卷积神经网络的管道缺陷深度的反演方法，随机生成管道缺陷轮廓：生成n组管道缺陷深度矩阵，基于磁偶极子模型仿真得到n组管道缺陷轮廓的轴向漏磁信号，获取实测的k组管道缺陷深度矩阵，并采用磁场传感器测量其相应的轴向漏磁信号，构造卷积神经网络模型，采用仿真的管道缺陷轮廓的轴向漏磁信号和实测的管道缺陷轮廓的轴向漏磁信号对卷积神经网络模型进行训练，得到最终的卷积神经网络模型，将未知深度的管道缺陷的轴向漏磁信号进行预处理后，输入最终的卷积神经网络模型，得到未知深度的管道缺陷的深度预测值，本发明方法有效地减少了网络训练所需要的参数，减少了对缺陷反演所需的时间。
-
公开(公告)号：CN110929376A
公开(公告)日：2020-03-27
申请号：CN201911002802.5
申请日：2019-10-22
Applicant: 东北大学
IPC: G06F30/20
Abstract: 本发明一种基于GAN的管道漏磁检测数据缺失的重构方法。首先将漏磁内检测器采集的数据进行基线校正，构成漏磁数据集；然后对基线校正过的漏磁数据集进行异常检测处理；其次构建生成对抗网络的生成器模型和鉴别器模型；最后将缺失的管道数据和噪声数据输入到训练好的生成器模型中，生成器模型的输出即为重构之后的完整的管道数据，达到缺失数据重构目的。本发明建立的漏磁数据重构模型，仅涉及漏磁数据的采集，模型具有通用性，可以适用于任何类型的缺失，并在GAN模型的基础上加入了缺失图片作为条件，将此条件成对地输入到鉴别器模型中，完成像素到像素的映射，提高了重构的效果。
-
公开(公告)号：CN110555478A
公开(公告)日：2019-12-10
申请号：CN201910835384.1
申请日：2019-09-05
Applicant: 东北大学
Abstract: 本发明提供一种基于难样本挖掘的深度度量网络的风机多故障诊断方法，涉及风力涡轮机故障诊断技术领域。该方法首先针对一个风力涡轮机z种不同类型的SCADA数据构建难样本数据集，将构造的难样本数据集进行图像化处理，优化各类SCADA数据变量，使数据变量之间的排列在时间空间上连续，最终得到优化后的训练样本，构造基于改进三元组训练样本集损失函数的深度度量网络模型；最后将三元组样本通过深度度量网络映射得到的特征向量作为训练集输入到SVM模型中，进行风力涡轮机故障诊断。该方法基于三元组模型进行样本生成，提出一个运用单模型诊断多故障的方法，运用改进的三元组损失函数训练模型，提高了多故障诊断的准确性。
-
公开(公告)号：CN109058771B
公开(公告)日：2019-11-12
申请号：CN201811173189.9
申请日：2018-10-09
Applicant: 东北大学
IPC: F17D5/02
Abstract: 本发明的目的是提供一种基于样本生成和间隔Markov特征的管道异常检测方法，涉及管道异常检测领域。本发明的方法包括：步骤1.历史数据样本的提取及滤波处理；步骤2.历史数据样本的规则化及降采样处理；步骤3.ELM模型的建立与训练；步骤4.基于ELM模型进行样本生成，得到扩充后的输入样本集；步骤5.对扩充后的输入样本集中每个样本，当t＞Q时，将每一时刻的状态用前Q个时间间隔内的平均状态代替，进行间隔Markov特征的提取；步骤6.基于SVM模型或RF模型对管道异常进行识别。本发明解决了现有技术中复杂工况条件下微弱的管道泄漏信号和工况调整信号识别困难的技术问题，能够提高管道异常检测的精度。
-
-
-
-
-
-
-
-
-
Search Results
256
records
(took 0.027 seconds)
