-
公开(公告)号：CN114091352A
公开(公告)日：2022-02-25
申请号：CN202111454865.1
申请日：2021-12-01
Applicant: 东北大学
Abstract: 本发明公开了基于Elman神经网络的热连轧出口板凸度动态预测方法，涉及轧制过程自动化生产技术领域。包括确定包括机架轧辊磨损量在内的热连轧出口板凸度影响因素，采集热连轧生产线中与热连轧出口板凸度相关的实测数据与过程自动化级计算数据；计算各机架的轧制公里数，将各机架的轧制公里数代替热连轧出口板凸度的影响因素中的各机架的轧辊磨损量；将实测数据及过程自动化级计算数据与各机架轧制公里数组合在一起构成数据集，从数据集中划分出部分数据作为训练数据集；利用训练数据集对Elman神经网络训练，获得热连轧出口板凸度的动态预测模型，利用该模型对热连轧出口板凸度进行动态预测，可精准地预测热连轧出口板凸度，对更精准的板形控制提供保障。
-
公开(公告)号：CN112560913A
公开(公告)日：2021-03-26
申请号：CN202011416944.9
申请日：2020-12-04
Applicant: 东北大学
Abstract: 本发明公开一种基于麦克风阵列的工业设备故障信号定位与识别方法，采集声音信号，分为训练集、验证集和测试集；对训练集中的声音信号进行特征提取，提取频谱图的相位谱图和幅度谱图；将特征提取模块的输出作为输入被送到卷积神经网络，在每层CNN网络中，使用2D CNN来学习频谱图中的平移不变性；在每层CNN之间，使用批量归一化对输出进行归一化，并沿着频率轴使用最大池化层来降低维数；将来自CNN层的输出，送到RNN层；使用线性激活函数；将全连接层的输出输入到两个并行的全连接层分支，分别用于故障识别和故障定位。本发明使用基于音频信号的非接触式方法，受环境和接触限制更小，故障定位与故障识别同步进行，提高运行效率。
-
公开(公告)号：CN112507610A
公开(公告)日：2021-03-16
申请号：CN202011311991.7
申请日：2020-11-20
Applicant: 东北大学
IPC: G06F30/27 , B21B37/74 , G06F119/08
Abstract: 本发明提供一种热轧卷取温度的区间预测方法，包括以下步骤：根据轧件原始数据以及精轧出口的实测样本数据可知输入数据和输出数据；对数据进行预处理；对人工神经网络进行设置；通过鲸鱼优化算法优化所述人工神经网络，进而通过最小化代价函数进行寻优，获取人工神经网络最优的权重和偏置量；根据所述输入得到实测卷取温度与目标卷取温度的相对偏差的预测上限和预测下限，可同时进行点预测与区间预测；根据所提出的评价指标NCWC进行区间预测性能分析。本发明在卷取温度预测领域，相比于采用传统数学模型进行点预测，所述发明实现了热轧卷取温度的区间预测。并通过改变人工神经网络结构，对比单层ANN、双层ANN与三层ANN，发现采用三层人工神经网络进行预测能够显著提高模型预测精度。
-
公开(公告)号：CN114360576B
公开(公告)日：2025-04-22
申请号：CN202210052066.X
申请日：2022-01-18
Applicant: 东北大学
IPC: G10L21/0272 , G10L21/0308 , G10L25/30 , G10L25/51
Abstract: 本发明提出了一种基于记忆选择机制的传动装置混合故障分离方法，将目标传动装置故障声音从多种混合传动装置故障声音中分离出来，且获取实验数据无需接触式测量传动装置，具体步骤如下，步骤1传动装置故障声音编码网络，步骤2长期记忆存储模块；步骤3传动装置故障声音分离网络；其中长期记忆存储模块串联第一部分和第二部分两个网络，用于存储并更新传动装置故障声音编码网络的输出声音信号，并将最新存储的声音信号输入到传动装置故障声音分离网络的部分。本发明对训练数据量依赖小，可以学习并记忆存储多种类传动装置故障声音信号特征，并基于声纹靶向地精准分离目标种类传动装置故障声音，系统整体鲁棒性与抗干扰能力强。
-
公开(公告)号：CN119251170A
公开(公告)日：2025-01-03
申请号：CN202411312084.2
申请日：2024-09-20
Applicant: 东北大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/048 , G06N3/08
Abstract: 本发明的一种基于SE模块轻量级网络的带钢表面缺陷检测方法，包括：对现有的NEU‑CLS热轧带钢表面缺陷数据集进行预处理，制作缺陷图片数据集；从缺陷图片数据集中随机抽取10％的图片作为测试集，其余的图片按照8比2的比例划分为训练集和验证集；建立基于压缩激励模块的轻量级残差网络；将训练集输入到基于压缩激励模块的轻量级残差网络，进行训练，同时通过测试集对网络的准确度进行验证；将训练好的基于压缩激励模块的轻量级残差网络部署到开发板，通过开发板的摄像头采集验证集中的缺陷图片对缺陷进行判定，得到判定结果。
-
Patent Agency Ranking
公开(公告)号：CN117787066B
公开(公告)日：2024-06-07
申请号：CN202410210705.X
申请日：2024-02-27
Applicant: 东北大学
IPC: G06F30/23 , B21B37/32 , G06F111/10 , G06F119/08 , G06F119/14
Abstract: 本发明的一种基于CVC轧机热凸度对工作辊辊形预测的方法，包括：采集带钢参数、轧制工艺参数、冷却水参数、CVC轧机参数和工作辊温度数据；根据CVC轧机参数建立CVC工作辊的三维热凸度有限元模型；计算轧制过程中工作辊与带钢、空气、冷却水的对流换热系数，将对流换热系数施加到三维热凸度有限元模型中，进行有限元仿真实验；调整三维热凸度有限元模型的温度边界条件，使得有限元仿真实验的工作辊温度数据曲线与现场实测的工作辊温度数据曲线一致；基于调整后的三维热凸度有限元模型进行有限元仿真实验，提取不同时间节点的工作辊表面热膨胀量横向分布数据，与初始CVC工作辊辊形曲线拟合得到新的工作辊辊形曲线。
-
公开(公告)号：CN117876562A
公开(公告)日：2024-04-12
申请号：CN202410086085.3
申请日：2024-01-22
Applicant: 东北大学
Abstract: 传感器技术的最新进展已经引入了低成本的RGB视频加深度传感器，可以同时以视频速率获取颜色和深度图像。很多研究人员提出了使用消费级RGBD相机，例如Kinect，对三维重建的模型进行纹理映射的方法。但是现有的纹理映射算法大多针对郎伯模型。本发明是一种针对非郎伯表面的纹理优化框架，充分利用深度信息，并使用合成图像重建模型的表面纹理。具体的贡献有：1)利用深度信息扩展了现有的相机位姿优化策略，提高了在无纹理区域的准确性；2)使用联合颜色直方图来协调关键帧之间的颜色不一致，避免了高光像素对重建纹理的负面影响；3)提出了基于双向相似度函数的BDS‑G纹理合成方法，结合深度数据使纹理边缘对齐。这种方法允许任意视角的输入，并且为输入RGB图像中的高光区域重新合成真实纹理。我们在多个多视图立体数据集上进行了大量的实验，实验结果表明了本发明方法的有效性。
-
公开(公告)号：CN114822584A
公开(公告)日：2022-07-29
申请号：CN202210439737.8
申请日：2022-04-25
Applicant: 东北大学
IPC: G10L21/0272 , G10L21/0216 , G10L21/028 , G06F17/16 , G06F17/14
Abstract: 本发明的一种基于积分改进广义互相关的传动装置信号分离方法是将广义互相关算法与非负矩阵分解算法相结合的一种新的盲源分离方法，进行分离不同传动装置的声音信号。将广义互相关算法结合非负矩阵分解算法，利用广义互相关算法获得到达时间差，判断源的数量；再结合非负矩阵分解，获得具体的字典原子是来自于哪个源这项信息，从而为生成不同源的掩码矩阵提供事实依据；使用积分法改进广义互相关，提高到达时间差估计的准确度；设计一种新的非负矩阵分解初始化方法，降低计算非负矩阵分解的时间。本发明方法解决了其他盲源分离方法依赖理想数学模型或者依赖训练神经网络的问题。
-
公开(公告)号：CN114360576A
公开(公告)日：2022-04-15
申请号：CN202210052066.X
申请日：2022-01-18
Applicant: 东北大学
IPC: G10L21/0272 , G10L21/0308 , G10L25/30 , G10L25/51
Abstract: 本发明提出了一种基于记忆选择机制的传动装置混合故障分离方法，将目标传动装置故障声音从多种混合传动装置故障声音中分离出来，且获取实验数据无需接触式测量传动装置，具体步骤如下，步骤1传动装置故障声音编码网络，步骤2长期记忆存储模块；步骤3传动装置故障声音分离网络；其中长期记忆存储模块串联第一部分和第二部分两个网络，用于存储并更新传动装置故障声音编码网络的输出声音信号，并将最新存储的声音信号输入到传动装置故障声音分离网络的部分。本发明对训练数据量依赖小，可以学习并记忆存储多种类传动装置故障声音信号特征，并基于声纹靶向地精准分离目标种类传动装置故障声音，系统整体鲁棒性与抗干扰能力强。
-
公开(公告)号：CN113102516B
公开(公告)日：2022-02-18
申请号：CN202110243168.5
申请日：2021-03-05
Applicant: 东北大学
IPC: B21B37/22
Abstract: 本发明提供一种融合轧制机理和深度学习的热连轧带钢头部宽度预测方法，首先获取热连轧现场的生产数据，并运用Pauta准则剔除离群数据得到样本数据；根据轧制宽展的影响因素筛选影响因素数据，然后构建每一机架的轧制机理预测模型，根据影响因素数据计算热连轧带钢头部宽度的预测基准值，构建深度置信神经网络模型预测带钢头部宽度的修正值，最后将带钢头部宽度的预测基准值与预测修正值相加得到带钢头部的测量位置在出口处宽度的最终预测值。本发明融合轧制机理和深度置信神经网络对带钢头部宽度进行预测，改善了基于传统单隐层神经网络的预测模型预测精度低、易陷入局部极值的问题，为过程自动化级设定模型的优化提供了良好基础。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.016 seconds)
