-
公开(公告)号:CN118849053A
公开(公告)日:2024-10-29
申请号:CN202410910058.3
申请日:2024-07-08
Applicant: 南京林业大学
IPC: B25J19/02 , G01N21/88 , G01N21/01 , G01N29/04 , G01N29/22 , G01N29/24 , B25J11/00 , B41J3/407 , B41J3/44 , B41J2/01
Abstract: 本发明公开了一种用于轧辊缺陷检测的机器人末端执行器,它包括水包架模组,软限位模组,相机检测模组,自适应贴合模组和喷标模组;本发明能够有效检测直径约200mm至730mm之间的轧辊,该装置设有自适应贴合结构,能够根据轧辊的直径调整探头间距,并在探头贴合轧辊时,能够根据轧辊表面自适应的调整探头角度,使探头能够更好的贴合轧辊表面,进一步改善水包耦合液隔绝空气效果,提高超声检测信号质量,同时配合上端平面相机能够对轧辊表面进行缺陷检测;该装置设有喷标头,可以对检测出的缺陷位置进行喷标,便于后续对缺陷的处理。
-
公开(公告)号:CN117540202B
公开(公告)日:2024-05-14
申请号:CN202311178807.X
申请日:2023-09-13
Applicant: 南京林业大学
IPC: G06F18/214 , G06F18/25 , G06N3/0464 , G06F18/2415 , G06N3/09
Abstract: 根据本发明公开了一种基于多信息融合深度集成网络的故障诊断方法和系统,故障诊断方法包括如下步骤:利用多个传感器采集被测零件不同健康状态下的振动信号;将多个传感器采集到的振动信号以相同大小的窗长切分出多个样本形成样本集,并将该样本集按照比例划分出训练集和测试集;构建一个由依次串接的基于复合指标的加权融合策略模块、跨尺度注意特征提取模块和权重拓扑学习模块的多信息融合深度集成网络模型;将训练集输入到所述多信息融合深度集成网络模型中训练;将测试集输入到已经训练好参数的多信息融合深度集成网络模型中进行健康状态判别。
-
公开(公告)号:CN117235643B
公开(公告)日:2024-03-22
申请号:CN202311147203.9
申请日:2023-09-06
Applicant: 南京林业大学 , 苏州长城精工科技股份有限公司
IPC: G06F18/2433 , G01M13/045 , G06F18/10 , G06N3/006 , G06N3/126 , G06N7/08
Abstract: 本发明公开一种滚动轴承早期微弱故障诊断方法,包括如下步骤:采集故障轴承振动信号;基于一种融合多域指标的综合适应度函数指导改进的蜣螂优化算法自适应确定变分模态分解算法最优的分解层数和惩罚因子,并利用参数优化的变分模态分解算法将采集的故障轴承振动信号划分为一系列的模态分量;计算各模态分量的综合适应度函数值,选取具有最小综合适应度函数值的模态分量作为主故障特征模态分量;通过从主故障特征模态分量的增强包络谱中提取出故障特征频率,实现滚动轴承早期微弱故障诊断。本发明克服了现有的变分模态分解中参数难以选取的问题,能够从强噪声工作环境下提取出有用的周期性故障脉冲信息,实现滚动轴承早期微弱故障精确诊断。
-
公开(公告)号:CN115017945A
公开(公告)日:2022-09-06
申请号:CN202210567779.X
申请日:2022-05-24
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于增强型卷积神经网络的机械故障诊断方法和诊断系统,诊断方法包括如下步骤:采集机械设备不同故障类型的原始振动信号;对原始振动信号进行降噪处理,并将处理完的数据按照一定比例随机划分为训练集、验证集和测试集;搭建一个由特征提取模块、特征加权模块和特征分类模块三部分依次串接组成的增强型卷积神经网络模型;将训练集和验证集输入到搭建的增强型卷积神经网络模型中进行训练,采用早停法判断是否满足早停准则,如果满足,则提前结束训练;否则,更新权重和偏置参数继续输入增强型卷积神经网络模型中训练;将测试集输入到训练好的增强型卷积神经网络模型中进行测试,实现故障类型的自动识别。
-
公开(公告)号:CN114972332A
公开(公告)日:2022-08-30
申请号:CN202210833979.5
申请日:2022-07-15
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于图像超分辨率重建网络的竹集成材裂纹检测方法,包括:连续采集竹集成材受三点加载作用力产生扩展尖端裂纹的原始高清图像,去黑边裁剪得到与原始高清图像相对应的原始高分辨率图像;对原始高分辨率图像进行处理,得到低分辨率图像;将改进残差网络模型作为生成器,将生成器和判别器组合得到生成对抗网络模型;训练生成对抗网络模型;本发明克服了超分辨率图像重建中的细节信息丢失和边缘模糊;提高了竹集成材超分辨率图像重建的真实性;提高了网络性能;重建后的图像精度高,真实性高;利用从生成器生成出的超分辨率图像中提取出的信息对生成器模型进行二次检验,该检验方法从客观角度评价了生成器的性能。
-
公开(公告)号:CN114897027A
公开(公告)日:2022-08-12
申请号:CN202210589411.3
申请日:2022-05-26
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于深度小波核变分自编码器的机械故障诊断方法和系统,所述诊断方法包括如下步骤:获取针对机电液系统不同故障的两通道非线性振动数据并按1:1比例随机划分为训练集和测试集;将核函数映射模块、深度核特征学习模块和分类模块依次串接组成深度小波核变分自编码器;其中,核函数映射模块采用核函数映射方法将采集的数据集投影到高维特征空间,深度核特征学习模块采用小波变分自编码器进行堆叠学习并获得分类向量,分类模块对分类向量进行故障分类;采用训练集对深度小波核变分自编码器进行训练,完成非线性故障信息的深度提取,并将测试集输入到已训练好的深度小波核变分自编码器中,自动实现机电液系统的故障诊断。
-
公开(公告)号:CN114742111A
公开(公告)日:2022-07-12
申请号:CN202210571899.7
申请日:2022-05-24
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于参数自适应特征模态分解故障诊断方法和系统,故障诊断方法包括如下步骤:采集机械设备的故障振动信号;基于最大信号循环峭噪比的群智能优化方法自动地确定特征模态分解的模态个数和滤波器长度,并采用参数优化的特征模态分解将采集的振动信号划分为一系列模态分量;计算各模态分量的平方包络谱特征能量比,并选取具有最大平方包络谱特征能量比的模态分量作为主模态分量;通过从主模态分量的平方包络谱中提取故障特征频率,实现机械故障识别。该诊断方法继承了特征模态分解强鲁棒性和高运算效率的优点,能够从强噪声背景下提取出有用的周期性故障特征信息,实现设备故障的高效检测。
-
公开(公告)号:CN117235643A
公开(公告)日:2023-12-15
申请号:CN202311147203.9
申请日:2023-09-06
Applicant: 南京林业大学 , 苏州长城精工科技股份有限公司
IPC: G06F18/2433 , G01M13/045 , G06F18/10 , G06N3/006 , G06N3/126 , G06N7/08
Abstract: 本发明公开一种滚动轴承早期微弱故障诊断方法,包括如下步骤:采集故障轴承振动信号;基于一种融合多域指标的综合适应度函数指导改进的蜣螂优化算法自适应确定变分模态分解算法最优的分解层数和惩罚因子,并利用参数优化的变分模态分解算法将采集的故障轴承振动信号划分为一系列的模态分量;计算各模态分量的综合适应度函数值,选取具有最小综合适应度函数值的模态分量作为主故障特征模态分量;通过从主故障特征模态分量的增强包络谱中提取出故障特征频率,实现滚动轴承早期微弱故障诊断。本发明克服了现有的变分模态分解中参数难以选取的问题,能够从强噪声工作环境下提取出有用的周期性故障脉冲信息,实现滚动轴承早期微弱故障精确诊断。
-
公开(公告)号:CN114972040B
公开(公告)日:2023-04-18
申请号:CN202210832867.8
申请日:2022-07-15
Applicant: 南京林业大学
IPC: G06T3/40 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种单板层积材的散斑图像超分辨率重建方法,包括:在单板层积材试件表面依次喷涂白色底漆和黑色散斑,使得单板层积材试件表面形成黑白散斑;连续采集多张单板层积材试件受外部作用力产生扩展尖端裂纹的原始高清散斑图像;对多张原始高清散斑图像进行处理,得到多张原始高分辨率图像块和低分辨率图像块;构建残差网络模型,利用训练集对残差网络模型进行训练,得到训练好的残差网络模型;本发明克服了单板层积材在超分辨率图像重建中的细节信息丢失和边缘模糊;加入特征图动态加权模块提高了单板层积材超分辨率图像重建的真实性;采用了一种新的残差网络模型,提高了网络性能;重建后的单板层积材超分辨率图像精度高,真实性高。
-
公开(公告)号:CN115147279B
公开(公告)日:2023-04-07
申请号:CN202210784242.9
申请日:2022-07-05
Applicant: 南京林业大学
IPC: G06T3/40 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了基于选择性通道处理机制的轻量级遥感图像超分辨率方法,涉及遥感图像的处理,尤其是遥感图像的增强或复原,包括:对已有的样本图像变换操作并降采样,得到对应的高分辨率图像与低分辨率图像的训练集;初始化基于选择性通道处理机制的卷积神经网络,该网络将低分辨率遥感图像作为输入,并输出高分辨率遥感图像;在训练集上采用梯度下降法和反向传播算法,对构建的卷积神经网络进行迭代训练,得到参数优化后的卷积神经网络;利用参数优化后的神经网络模型,将低分辨率遥感图像作为输入,得到高分辨率遥感图像。相较于之前的方法,本发明参数量更少,模型运算效率更高,同时,可以得到高频部分更加清晰的、质量更高的超分辨率遥感图像。
-
-
-
-
-
-
-
-
-