-
公开(公告)号：CN114912480B
公开(公告)日：2025-04-11
申请号：CN202210359430.7
申请日：2022-04-07
Applicant: 南京林业大学
IPC: G06F18/24 , G06F18/214 , G06N3/0464 , G06N3/045 , G06N3/088 , G01H17/00
Abstract: 本发明公开了一种基于深度残差变分自编码器的故障诊断方法和诊断系统，所述诊断方法包括如下步骤：S10：获取机械设备在不同故障下的振动加速度信号X；S20：将所采集到的振动加速度信号X通过小波包分解并重构，获得小波包重构信号作为特征样本集，将所述特征样本集按一定比例随机划分为训练集和测试集；S30：通过将残差自编码模块和变分自编码器模块进行前后堆叠连接，构建形成深度残差变分自编码器网络模型；S40：将训练集输入到所述深度残差变分自编码器网络模型中进行依次训练，获得具有故障判别能力的深度网络模型；S50：将测试集输入至已训练好的深度网络模型中，自动识别机械故障的类型。
-
公开(公告)号：CN116484172B
公开(公告)日：2024-01-30
申请号：CN202310063113.5
申请日：2023-01-19
Applicant: 南京林业大学
IPC: G06F18/10 , G06F18/24 , G06F18/214 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统，故障诊断方法包括如下步骤：获取机械设备不同健康状态下的原始振动信号；对原始振动信号进行归一化处理，并将归一化后的数据以相同的采样点数划分出训练集和测试集；构建一个由依次串接的卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型；将训练集输入到强鲁棒性多尺度网络模型中训练，并采用QHAdam优化器优化强鲁棒性多尺度网络模型；将测试集输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断。该方法能够有效的提高故障诊断的精度，充分利用振动信号多尺度的性质，尤其在样本量不平衡和强噪声干扰情况下也能高效地提取故障
-
公开(公告)号：CN114972332B
公开(公告)日：2023-04-07
申请号：CN202210833979.5
申请日：2022-07-15
Applicant: 南京林业大学
IPC: G06T7/00 , G06T7/60 , G06T3/40 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/094
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：CN115760630A
公开(公告)日：2023-03-07
申请号：CN202211495205.2
申请日：2022-11-26
Applicant: 南京林业大学
IPC: G06T5/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种低照度图像增强方法，包括以下步骤：(a1)、将原始图像进行分解，得到反射分量、照度分量和特征分量；(a2)、对步骤(a1)中分解得到的照度分量进行亮度增强；(a3)、将步骤(a2)中增强后的照度分量和步骤(a1)中分解得到的反射分量以及特征分量进行加权融合，得到增强后的图像。本发明利用图像分解的原理，将图像分解为反射分量，照度分量和特征分量，并在其中加入降噪处理，一定程度上降低了噪声对图像效果的影响。同时单独提取图像特征分量，避免了因为降噪引起的细节丢失的缺陷，一定程度上解决了传统方法图像亮度提升不明显，图像噪声较大，细节丢失等缺陷。
-
公开(公告)号：CN114897027B
公开(公告)日：2025-04-22
申请号：CN202210589411.3
申请日：2022-05-26
Applicant: 南京林业大学
IPC: G06F18/10 , G06F18/24 , G06F18/23 , G06F18/213 , G06F18/214 , G06F18/2413 , G06N3/0455 , G06N3/048 , G06N3/088
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。
-
Patent Agency Ranking
公开(公告)号：CN118840602A
公开(公告)日：2024-10-25
申请号：CN202410909996.1
申请日：2024-07-08
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于多模态注意力融合网络的轧辊缺陷识别方法，包括：获取轧辊内部缺陷的A扫时序信号和对应缺陷的D扫图像，并随机划分为训练样本和测试样本；构建多模态注意力融合网络模型，由卷积模块和改进swin transformer模块构成的双分支的特征提取层，并采用注意力特征融合模块对提取的特征向量分类。本发明克服了单一模态在复杂缺陷识别任务中的效果表现不佳和信息利用不充分，综合利用了A扫信号和D扫图像两种不同的数据源以获取更加全面和丰富的轧辊内部缺陷信息，并通过多模态注意力融合网络实现不同数据的特征提取和特征信息的有机融合，进行最优化求解，提高模型在轧辊缺陷分类识别时的准确率和复杂情况的适应能力。
-
公开(公告)号：CN117540202A
公开(公告)日：2024-02-09
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：CN114742111B
公开(公告)日：2023-04-07
申请号：CN202210571899.7
申请日：2022-05-24
Applicant: 南京林业大学
IPC: G06F18/24 , G06F18/213 , G06F18/10 , G06N3/006
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：CN116484172A
公开(公告)日：2023-07-25
申请号：CN202310063113.5
申请日：2023-01-19
Applicant: 南京林业大学
IPC: G06F18/10 , G06F18/24 , G06F18/214 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统，故障诊断方法包括如下步骤：获取机械设备不同健康状态下的原始振动信号；对原始振动信号进行归一化处理，并将归一化后的数据以相同的采样点数划分出训练集和测试集；构建一个由依次串接的卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型；将训练集输入到强鲁棒性多尺度网络模型中训练，并采用QHAdam优化器优化强鲁棒性多尺度网络模型；将测试集输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断。该方法能够有效的提高故障诊断的精度，充分利用振动信号多尺度的性质，尤其在样本量不平衡和强噪声干扰情况下也能高效地提取故障特征，实现不同故障状态的智能诊断。
-
公开(公告)号：CN114912480A
公开(公告)日：2022-08-16
申请号：CN202210359430.7
申请日：2022-04-07
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于深度残差变分自编码器的故障诊断方法和诊断系统，所述诊断方法包括如下步骤：S10：获取机械设备在不同故障下的振动加速度信号X；S20：将所采集到的振动加速度信号X通过小波包分解并重构，获得小波包重构信号作为特征样本集，将所述特征样本集按一定比例随机划分为训练集和测试集；S30：通过将残差自编码模块和变分自编码器模块进行前后堆叠连接，构建形成深度残差变分自编码器网络模型；S40：将训练集输入到所述深度残差变分自编码器网络模型中进行依次训练，获得具有故障判别能力的深度网络模型；S50：将测试集输入至已训练好的深度网络模型中，自动识别机械故障的类型。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.023 seconds)
