-
公开(公告)号：CN119556094A
公开(公告)日：2025-03-04
申请号：CN202510128909.3
申请日：2025-02-05
Applicant: 合肥工业大学
IPC: G01R31/26
Abstract: 本发明涉及晶闸管运行可靠性分析技术领域，尤其涉及一种中子辐照下大功率晶闸管电性能衰减测试系统及方法。其技术方案包括处于重铅屏蔽体内的辐照区子系统和处于重铅屏蔽体外的测试区子系统，所述辐照区子系统内设置有人工中子源、阶梯式样品测试架、限流电阻和接地连接的采样电阻，所述阶梯式样品测试架上分别安装有晶闸管组一、晶闸管组二和晶闸管组三，晶闸管组一、晶闸管组二和晶闸管组三均由四个被测大功率晶闸管以人工中子源为中心呈环形分布组成。本发明实现大功率晶闸管在中子辐照下电性能衰减情况的实时在线监测，可实现不同中子注量导致大功率晶闸管电性能衰减的同步测试，测试效率高，测试成本低。
-
公开(公告)号：CN119247093B
公开(公告)日：2025-02-14
申请号：CN202411785963.7
申请日：2024-12-06
Applicant: 合肥工业大学
Abstract: 本发明公开了一种大功率晶闸管剩余寿命预测方法、设备及存储介质，其中预测方法包括如下步骤：首先对晶闸管进行高温阻断试验，并通过加速因子将晶闸管高温阻断试验中的试验时间折算为晶闸管在实际工况中的运行时间，根据测量数据构建晶闸管综合健康指标，通过稀疏贝叶斯算法求解健康指标的权重系数，并通过最大化边际似然函数更新模型的超参数，最后根据晶闸管综合健康指标建立晶闸管的退化模型，评估晶闸管的剩余寿命。本发明中构建的晶闸管综合健康指标能够全面反应晶闸管的健康状态，基于该指标的晶闸管剩余寿命预测方法能够表征不同特征参数的退化对晶闸管剩余寿命的影响，使得晶闸管的剩余寿命预测更加精确。
-
公开(公告)号：CN119399455A
公开(公告)日：2025-02-07
申请号：CN202510013197.0
申请日：2025-01-06
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽明生恒卓科技有限公司 , 合肥工业大学
IPC: G06V10/25 , G06N3/0464 , G06N3/08 , G06T11/00 , G06V10/28 , G06V10/30 , G06V10/44 , G06V10/62 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种目标检测方法，包括读取摄像机的当前帧图像和当前帧之前的序列帧图像，对序列帧图像和当前帧图像分别进行处理生成环境背景图像和新图像；采用背景差分法计算新图像与环境背景图像之间的差异，依据自适应差分阈值将差异结果二值化得到二值图像，并采用边缘检测算法获取二值图像中的轮廓边缘；计算轮廓边缘的最小矩形边界框作为动态区域边界框，并采用矩形提取策略得到包含动态区域的图像；将包含动态区域的图像输入至目标检测模型中得到目标检测结果，目标检测模型为预先采用考虑气象因素的数据集训练得到；本发明避免目标区域占比过低造成无法进行目标识别的问题，且采用考虑气象因素的数据集训练模型，提高了模型泛化能力。
-
公开(公告)号：CN119312704A
公开(公告)日：2025-01-14
申请号：CN202411859594.1
申请日：2024-12-17
Applicant: 合肥工业大学 , 国网安徽省电力有限公司电力科学研究院
IPC: G06F30/27 , G06F30/17 , G06F30/23 , G06T17/20 , G06N3/084 , G06N3/048 , G06F111/04 , G06F111/10 , G06F113/04
Abstract: 本发明公开了一种基于物理信息神经网络的电机界面问题无惩罚计算方法，该计算方法包括以下步骤：S1、建立一个电机的计算物理模型；S2、采用无量纲化对偏微分方程进行预处理；S3、通过变分原理构造能量泛函；S4、利用顶点坐标信息作为几何对象的中间表示，实现无网格采样；S5、构建神经网络；S6、增强对界面识别；S7、确保边界条件得到自然满足；S8、训练神经网络，优化器选择Adam，线性层激活函数选择Tanh；本发明使用神经网络参数化偏微分方程解，并通过找到相应的优化问题的最小值来解决界面问题，同时网格采样器只需作用于域和边界，不需要对域内的界面进行特殊处理，有效的降低了计算量，利于使用。
-
公开(公告)号：CN118332879A
公开(公告)日：2024-07-12
申请号：CN202410761278.4
申请日：2024-06-13
Applicant: 合肥工业大学
Abstract: 本发明涉及电磁场数值计算技术领域，且公开了一种基于有限差分的物理信息神经网络电磁场计算方法，其计算步骤包括：S1、求解域大小；S2、网格剖分；S3、构建神经网络；S4、损失函数计算；S5、边界条件处理；S6、训练神经网络；S7、模型验证以及结果分析。本方法利用神经网络的强大非线性映射能力来解决复杂的电磁场问题，同时使用了二阶中心差分方法将控制方程离散化，并将其作为网络训练的损失之一，使得网络在训练过程中遵循物理规律，从而提高了模型的物理逼真度，通过引入权重矩阵，动态调整不同区域的优化难度，从而使模型训练更为均衡，加快收敛速度并提高全局优化能力。
-
Patent Agency Ranking
公开(公告)号：CN117725805B
公开(公告)日：2024-04-30
申请号：CN202410176561.0
申请日：2024-02-08
Applicant: 合肥工业大学
IPC: G06F30/23 , G06F30/27 , G06T17/20 , G06N3/084 , G06F18/15 , G06F18/2131 , G06F18/214 , G06F18/21 , G06F111/10 , G06N3/048
Abstract: 本发明涉及深度算子网络技术领域，且公开了一种优化的深度算子网络的磁场快速计算方法，建立有限元模型：首先确定要研究的工程问题和结构参数，然后根据问题要求建立相应的有限元模型，确定边界条件，包括材料区域、磁导率、电流密度等参数，对有限元模型进行网格剖分，将结构分成多个小单元，形成网格。该优化的深度算子网络的磁场快速计算方法，通过在深度算子网络的基础上，用两个全连接神经网络，提取边界条件和格点坐标信息，利用傅里叶变换增加高频部分的权重，使得神经网络更快学习到数据中的高频部分，即高梯度区域，通过以哈达玛积的方式将材料区域和格点坐标进行融合，进一步提高预测精度。
-
公开(公告)号：CN117709170B
公开(公告)日：2024-04-19
申请号：CN202410161664.X
申请日：2024-02-05
Applicant: 合肥工业大学
IPC: G06F30/23 , G06F30/27 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及深度算子网络技术领域，且公开了一种基于改进深度算子网络的磁场快速计算方法，确定模型和参数：首先确定建立的有限元模型类型以及结构参数，并基于这些参数进行网格剖分，在建立有限元模型时确定边界条件，包括磁场条件和材料参数。该基于改进深度算子网络的磁场快速计算方法，通过在深度算子网络的基础上，利用U‑net卷积神经网络提取相对磁导率信息，用两个全连接神经网络，提取边界条件和格点坐标信息，以哈达玛积的方式将相对磁导率和格点坐标进行融合，进一步提高预测精度，用变化的边界条件、网格顶点坐标和对应的有限元解构建训练集，经过训练后的网络能够快速预测未经训练边界条件下的电磁场分布。
-
公开(公告)号：CN117830532A
公开(公告)日：2024-04-05
申请号：CN202410030474.4
申请日：2024-01-09
Applicant: 国家电网有限公司 , 国家电网有限公司特高压建设分公司 , 北京送变电有限公司 , 合肥工业大学
IPC: G06T17/00 , G06V10/762 , G06V10/30 , G06V20/64 , G01S17/08
Abstract: 本发明公开了考虑激光雷达点云聚类的组件式电力施工空间三维模型构建方法，首先使用倾角仪对激光雷达进行水平预处理，通过多线激光雷达以水平或垂直方向进行扫描，以获取全方位的点云数据，然后使用高斯滤波算法滤除无效数据后，最后通过DBSCAN聚类算法处理点云数据，形成可判断物体的点云深度图，聚类后可根据点云类属确定带电物体。本发明对应用多线激光雷达技术来实现带电环境的三维建模，提供了详细的流程和方法。
-
公开(公告)号：CN117725805A
公开(公告)日：2024-03-19
申请号：CN202410176561.0
申请日：2024-02-08
Applicant: 合肥工业大学
IPC: G06F30/23 , G06F30/27 , G06T17/20 , G06N3/084 , G06F18/15 , G06F18/2131 , G06F18/214 , G06F18/21 , G06F111/10 , G06N3/048
Abstract: 本发明涉及深度算子网络技术领域，且公开了一种优化的深度算子网络的磁场快速计算方法，建立有限元模型：首先确定要研究的工程问题和结构参数，然后根据问题要求建立相应的有限元模型，确定边界条件，包括材料区域、磁导率、电流密度等参数，对有限元模型进行网格剖分，将结构分成多个小单元，形成网格。该优化的深度算子网络的磁场快速计算方法，通过在深度算子网络的基础上，用两个全连接神经网络，提取边界条件和格点坐标信息，利用傅里叶变换增加高频部分的权重，使得神经网络更快学习到数据中的高频部分，即高梯度区域，通过以哈达玛积的方式将材料区域和格点坐标进行融合，进一步提高预测精度。
-
公开(公告)号：CN117709170A
公开(公告)日：2024-03-15
申请号：CN202410161664.X
申请日：2024-02-05
Applicant: 合肥工业大学
IPC: G06F30/23 , G06F30/27 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及深度算子网络技术领域，且公开了一种基于改进深度算子网络的磁场快速计算方法，确定模型和参数：首先确定建立的有限元模型类型以及结构参数，并基于这些参数进行网格剖分，在建立有限元模型时确定边界条件，包括磁场条件和材料参数。该基于改进深度算子网络的磁场快速计算方法，通过在深度算子网络的基础上，利用U‑net卷积神经网络提取相对磁导率信息，用两个全连接神经网络，提取边界条件和格点坐标信息，以哈达玛积的方式将相对磁导率和格点坐标进行融合，进一步提高预测精度，用变化的边界条件、网格顶点坐标和对应的有限元解构建训练集，经过训练后的网络能够快速预测未经训练边界条件下的电磁场分布。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.027 seconds)
