-
公开(公告)号：CN108801878A
公开(公告)日：2018-11-13
申请号：CN201810752643.X
申请日：2018-07-10
Applicant: 华侨大学
IPC: G01N15/08
CPC classification number: G01N15/088
Abstract: 本发明提供一种确定堆积散粒状物料空隙率的方法，1)采集物料自然堆积体积：堆积散粒状物料在通过激光测量仪的测量区域时，获取物料的轮廓及高度信息利用积分计算物料的自然堆积体积V0'；2)采集物料颗粒体积：获取物料自然堆积体积信息V0'后，将物料置于水箱，根据水箱内的水位变化值，即得物料的颗粒体积V；3)计算空隙率P'：物料自然堆积体积与颗粒体积的差值即为物料颗粒之间空隙体积，物料颗粒之间空隙体积与物料自然堆积体积的百分比值即为得到堆积散粒状物料的空隙率P'。本发明能够解决现有技术存在测量方式较为繁琐，耗时、耗力，人为因素较多，容易造成较大误差影响测量结果等问题。
-
公开(公告)号：CN108273761A
公开(公告)日：2018-07-13
申请号：CN201810201864.8
申请日：2018-03-12
Applicant: 华侨大学
CPC classification number: B07C5/34 , B07C5/02 , B07C5/361 , B07C5/362 , B07C2501/0063
Abstract: 本发明公开一种分拣建筑垃圾的装置及方法，其是基于六自由度机械手采用激光传感器获取物料的轮廓、位置及高度等信息，然后再指导六自由度机械手抓取物料的过程中，通过六自由度机械手上的拉力传感器，获得抓取物料的重量信息。最后利用物料的重量信息及空间体积信息即可大致估算出该物料的密度，从而判断出物料的类型。采用密度识别的方法对建筑垃圾进行精确的分拣，大大减低了分拣的错误率，通过智能规划六自由度机械手的运动路径，既能快速定位物料坐标，也保证物料的分类效率，实现准确分拣物料，大大提高工作效率，节省人力资源。
-
公开(公告)号：CN104298857B
公开(公告)日：2017-04-12
申请号：CN201410481791.4
申请日：2014-09-19
Applicant: 华侨大学
IPC: G06F19/00
Abstract: 本发明一种多因素耦合作用下的机构可靠度计算方法，首先基于多刚体动力学、间隙碰撞模型和柔性体离散化方法对机构进行建模，获得机构输出的数值计算，从而实现对杆件尺寸误差、装配误差、间隙、摩擦、载荷、速度以及变形等多种影响因素的考虑，然后，在机构建模的模型中，对机构输出有影响的上述多种因素进行参数化；最后，基于本发明提出的最小抽样方法，进行机构可靠度高效高精度计算。本发明提出的机构可靠度计算方法，考虑因素更多，因此更加符合实际工程应用。
-
公开(公告)号：CN104298857A
公开(公告)日：2015-01-21
申请号：CN201410481791.4
申请日：2014-09-19
Applicant: 华侨大学
IPC: G06F19/00
Abstract: 本发明一种多因素耦合作用下的机构可靠度计算方法，首先基于多刚体动力学、间隙碰撞模型和柔性体离散化方法对机构进行建模，获得机构输出的数值计算，从而实现对杆件尺寸误差、装配误差、间隙、摩擦、载荷、速度以及变形等多种影响因素的考虑，然后，在机构建模的模型中，对机构输出有影响的上述多种因素进行参数化；最后，基于本发明提出的最小抽样方法，进行机构可靠度高效高精度计算。本发明提出的机构可靠度计算方法，考虑因素更多，因此更加符合实际工程应用。
-
公开(公告)号：CN119848427A
公开(公告)日：2025-04-18
申请号：CN202411967907.5
申请日：2024-12-30
Applicant: 华侨大学 , 厦门万宾科技有限公司
IPC: G06F18/10 , G06F18/213 , G06F18/214 , G06F18/2431 , G06F18/243 , G06N5/01
Abstract: 本发明公开了一种基于改进C4.5的真空干泵多故障预测方法及系统，方法包括：使用改进C4.5算法构建决策树模型并利用真空干泵的全寿命振动信号数据进行训练，得到训练好的多故障预测模型；获取真空干泵实时运行监测的振动信号数据，并对所述数据进行预处理；将预处理后的振动信号数据输入训练好的多故障预测模型，以预测振动信号数据中是否出现故障，并输出故障预测结果，所述预测结果包括故障类型及故障发生时间。本发明通过透明的决策过程、实时更新、精细特征提取和强大的多故障分类能力，解决了现有技术的不足，能够有效预测真空干泵的多种重叠故障，为设备维护提供及时的决策支持。
-
Patent Agency Ranking
公开(公告)号：CN119179875B
公开(公告)日：2025-03-14
申请号：CN202411678686.X
申请日：2024-11-22
IPC: G06F18/21 , G06F17/15 , G06F17/16 , G06F18/2135
Abstract: 本发明公开了一种基于张量分解递推的欠定工作模态参数识别方法及系统，涉及工作模态参数识别技术领域，方法包括：获取传感器测点在设定环境激励下的线性时变结构振动响应信号，并通过PCA提取响应信号的主成分得分；通过计算主成分得分的自相关性，并结合自相关函数中的峰值，确定适当的滞后期，将其与响应信号构建为三阶张量；在时变条件下，通过递推分解和动态遗忘因子选择机制，建立加权观测矩阵，对分解后的结果进行递归更新，从而获得更准确的模态振型和固有频率。本发明显著提高了在复杂时变工作模态下的识别精度、稳定性和鲁棒性，适用于大型土木工程结构健康监测中，如桥梁、建筑物和风力发电塔等，帮助及时发现结构损伤。
-
公开(公告)号：CN114860877B
公开(公告)日：2024-10-29
申请号：CN202210464241.6
申请日：2022-04-29
Applicant: 华侨大学
IPC: G06F16/33 , G06F16/332 , G06F16/36 , G06F40/211 , G06F40/295
Abstract: 本发明公开了一种基于知识图谱关系预测的问题链生成方法及系统，能够基于问句知识图谱自动生成问题链，包括：基于问句知识图谱构建问题链数据集；对问题链的问句实体进行特征初始化，并通过特征融合方法获得问题链的融合头实体和待测尾实体的初始向量；将融合头实体和待测尾实体的初始向量送入QCG‑KGLP模型的Graph Attention图表示学习模块中，从而获得融合头实体和待测尾实体的表示向量；将融合头实体和待测尾实体的表示向量输入到QCG‑KGLP模型的convKB模块中进行链接预测，从而实现问题链生成。本发明能有效生成适应教学场景的有关联、有梯度的问题链，从而助力教师开展提问教学与提升学生思维能力。
-
公开(公告)号：CN118779241A
公开(公告)日：2024-10-15
申请号：CN202410989781.5
申请日：2024-07-23
Applicant: 华侨大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于输入输出等价类的自动列车保护系统测试用例生成方法及装置，包括：采用STPA技术对自动列车保护系统进行分析，得出了各个级别的不安全控制动作以及相应的软件安全要求；将STPA生成的软件安全要求形式化为LTL公式，并将其作为属性需求用于在测试中验证。采用符号化有限状态机对自动列车保护系统进行建模，并运用LTL公式生成测试用例。对具有连续性且具有无限域的输入表达式和输出表达式进行等价类划分，同时将输入输出划分等价类后再将其整合到一起，将相应的输入等价类和输出等价类结合进行测试，从而提高了测试的全面性和有效性。
-
公开(公告)号：CN118503683B
公开(公告)日：2024-10-08
申请号：CN202410910545.X
申请日：2024-07-09
Applicant: 华侨大学 , 中建三局(福建)投资建设有限公司
IPC: G06F18/213 , G06F18/2135 , G06F17/16
Abstract: 本发明提供了欠定条件下的密集模态参数识别方法、装置、设备及介质，涉及工作模态参数识别技术领域，本方法通过获取传感器测点的线性时不变结构振动响应信号,根据振动响应信号数据的自相关性来构建三阶张量，通过张量分解后可以得到模态振型与模态响应矩阵；可以更准确地反映数据的内在结构，通过整合自相关性、PCA以及张量分解，使得即使在传感器有限的情况下(欠定)也能有效地提取模态信息，识别出工作模态参数(模态振型、固有频率等)，为监测大型结构，如桥梁、高层建筑、风力涡轮机等提供了进一步的可能。
-
公开(公告)号：CN118606872A
公开(公告)日：2024-09-06
申请号：CN202411080347.1
申请日：2024-08-08
Applicant: 华侨大学 , 厦门市政工程有限公司
IPC: G06F18/2433 , G06F18/23213 , G06F18/214 , G06N3/042 , G06N3/045 , G06F18/243 , G06N20/20 , G06N3/006 , G06N3/088 , G06N3/09 , G06N3/084
Abstract: 本发明公开了一种安全水设备异常的检测模型及异常检测的方法和设备，包括如下步骤：（1）获取安全水处理设备的历史特征数据；（2）对数据进行预处理，获取处理后的数据;（3）将数据集分为训练集、验证集和测试集；（4）将训练集分为两份，一份单独为有监督异常检测分类算法的训练集，一份单独为无监督异常检测算法的训练集;（5）对于有监督异常检测分类算法的训练集，采用FastDTW对异常数据进行过采样，构造异常类别平衡的数据集；（6）对于无监督异常检测算法的训练集，过滤掉训练集中的异常数据;（7）用有监督异常检测分类算法的训练集训练有监督GWO‑Randomforest异常检测算法；（8）用无监督异常检测算法的训练集训练无监督GAT‑DiffusionVAE异常检测算法。
-
-
-
-
-
-
-
-
-
Search Results
92
records
(took 0.036 seconds)
