-
公开(公告)号：CN115100109B
公开(公告)日：2023-04-18
申请号：CN202210545365.7
申请日：2022-05-19
IPC: G06T7/00 , G06T7/11 , G06V10/762 , G06V10/764
Abstract: 本发明公开了一种轨道弹条扣件的松紧状态检测方法，涉及机器视觉检测技术领域。其包括：获取弹条扣件的点云数据；将弹条扣件的点云数据转化为二值图像；并从二值化图像中提取出弹条扣件的二维骨架；及对弹条扣件二维骨架中的各个点作法线选取Z值，以确定出弹条扣件三维骨架；从三维骨架数据中找出多个特征点，并根据弹条扣件中心凹处最低点法向计算出弹条扣件的离缝高度，即弹条扣件松紧状态的评价指标。通过对不同铁路弹条扣件进行检测，利用基于三维点云的非接触式测量方法计算出每个扣件的离缝高度，从而能够自动快速地检测扣件的松紧状态，提高扣件缺陷检测的准确性和轨道维护效率。
-
公开(公告)号：CN115100109A
公开(公告)日：2022-09-23
申请号：CN202210545365.7
申请日：2022-05-19
IPC: G06T7/00 , G06T7/11 , G06V10/762 , G06V10/764
Abstract: 本发明公开了一种轨道弹条扣件的松紧状态检测方法，涉及机器视觉检测技术领域。其包括：获取弹条扣件的点云数据；将弹条扣件的点云数据转化为二值图像；并从二值化图像中提取出弹条扣件的二维骨架；及对弹条扣件二维骨架中的各个点作法线选取Z值，以确定出弹条扣件三维骨架；从三维骨架数据中找出多个特征点，并根据弹条扣件中心凹处最低点法向计算出弹条扣件的离缝高度，即弹条扣件松紧状态的评价指标。通过对不同铁路弹条扣件进行检测，利用基于三维点云的非接触式测量方法计算出每个扣件的离缝高度，从而能够自动快速地检测扣件的松紧状态，提高扣件缺陷检测的准确性和轨道维护效率。
-
公开(公告)号：CN119535244B
公开(公告)日：2025-05-16
申请号：CN202510110435.X
申请日：2025-01-23
Applicant: 南昌工程学院
IPC: G01R31/367 , G01R31/392 , G01R31/396 , G06N3/006 , G06N3/049 , G06N3/0464 , G06N7/08
Abstract: 本发明公开了一种储能电池剩余使用寿命预测方法及系统，该方法通过获取电池容量时间序列数据；采用TVF‑EMD对电池容量时间序列数据进行分解得到本征模态分量；利用改进后的协同群优化算法对时间卷积神经网络模型的卷积核个数和卷积核大小进行优化；对完整的电池容量时间序列数据归一化，将归一化后的数据输入改进协同群优化算法优化后的时间卷积神经网络模型之中进行剩余使用寿命预测。本发明通过改进后的协同群优化算法优化的时间卷积神经网络模型，使其预测具有更高的准确性。
-
公开(公告)号：CN118656731B
公开(公告)日：2024-11-19
申请号：CN202411066900.6
申请日：2024-08-06
Applicant: 南昌工程学院
IPC: G06F18/2415 , G06N3/047 , G06N3/006 , G01R31/12
Abstract: 本发明公开了一种基于神经网络的变压器局部放电检测方法，包括：S1：采集变压器历史运行时局部放电的信号数据，根据风险类型对信号数据分别进行标记，以此构建数据集，对数据集进行预处理获取特征数据集；S2：构建概率神经网络模型，导入S1中的特征数据集至概率神经网络模型进行训练，在训练过程中，通过苦鱼算法优化概率神经网络模型的平滑因子，获取最优的平滑因子；S3：采集变压器实时运行时局部放电的信号数据并进行预处理，将其导入训练后的概率神经网络模型进行检测，输出变压器实时的局部放电的风险类型。本发明采用改良的苦鱼算法优化概率神经网络的方法，极大地提高了检测的准确性。
-
公开(公告)号：CN117975040A
公开(公告)日：2024-05-03
申请号：CN202410361782.5
申请日：2024-03-28
Applicant: 南昌工程学院 , 国网吉林省电力有限公司电力科学研究院
IPC: G06V10/44 , G06V10/82 , G06N3/0464 , G06V10/80 , G06V10/774
Abstract: 本发明公开了一种基于改进YOLOv5的GIS红外图像识别系统与方法，该系统由红外图像采集装置和GIS红外图像目标检测装置组成；红外图像采集装置采集变电站GIS红外图像，并输入至GIS红外图像目标检测装置；GIS红外图像目标检测装置内含基于改进YOLOv5的GIS红外图像识别模型，用于GIS类别检测；所述基于改进YOLOv5的GIS红外图像识别模型是在YOLOv5的基础上，引入GhostNet网络和SimAM模块进行改进。本发明可实现对于变电站复杂环境下的GIS识别，识别精度高且速度快。
-
Patent Agency Ranking
公开(公告)号：CN112085037B
公开(公告)日：2024-04-09
申请号：CN202010996963.7
申请日：2020-09-21
Applicant: 国网吉林省电力有限公司电力科学研究院 , 南昌工程学院 , 吉林省电力科学研究院有限公司
Abstract: 本发明公开了一种变电设备红外热故障特征提取及数字化表达方法，具体属于电力设备状态检测和故障诊断领域。该方法在对变电设备红外故障图像进行预处理的情况下，一方面通过提取变电设备的热点温度、热点温差、发热面积来表达出三相设备的故障等级；另一方面通过提取变电设备的位置信息来定位故障位置，从而实现故障类型的表达。并将四个特征量与故障等级标签利用向量的形式表示出来，不仅实现了变电设备的热故障特征数字化表达，也还为后续利用深度学习网络识别故障提供训练数据库。
-
公开(公告)号：CN117471234A
公开(公告)日：2024-01-30
申请号：CN202311414519.X
申请日：2023-10-30
Applicant: 国家电投集团福建建宁电力有限公司 , 南昌工程学院
IPC: G01R31/08 , G06F18/10 , G06N3/006 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种电缆集电线路故障定位方法，采集行波信号后，进行滤波去噪处理，并通过故障前后一周波的波形计算出故障暂态行波，然后对暂态行波进行相模变换，使之去耦合；故障暂态行波通过小波变换生成合适分辨率的小波系数二维图，并以此作为蜣螂优化的卷积神经网络的训练样本；搭建蜣螂优化的卷积神经网络，并用训练样本数据对其进行训练；最后，将实际故障信号经过相同的信号处理方式，以此作为测试样本并输入完成训练的蜣螂优化的卷积神经网络实现电缆集电线路故障测距。本发明通过蜣螂优化算法优化的卷积神经网络，可较好地对电缆行波信号进行故障分析。
-
公开(公告)号：CN116610911B
公开(公告)日：2023-09-19
申请号：CN202310884271.7
申请日：2023-07-19
Applicant: 南昌工程学院 , 江西博微新技术有限公司
Abstract: 本发明属于数据修复领域，公开了一种基于贝叶斯高斯张量分解模型的用电数据修复方法及系统，收集天气、节假日、星期类型和用电量数据，构建成天气因子、节假日因子和星期因子，根据天气因子、节假日因子和星期因子构建相似度目标函数；使用野马优化算法对相似度目标函数进行寻优，在历史日中查找到与修复日相似度最高的M个相似日；以相似度最高的M个相似日的用电量数据构成三阶张量，将三阶张量输入到贝叶斯高斯张量分解模型中进行数据修复。本发明采用改进的野马优化算法选择相似日，输入贝叶斯高斯张量分解模型中对残缺数据进行修复，提升了修复准确率，以提高数据质量，达到提升预测等行为的精确性。
-
公开(公告)号：CN116526478B
公开(公告)日：2023-09-19
申请号：CN202310800611.3
申请日：2023-07-03
Applicant: 南昌工程学院
IPC: H02J3/00 , H02J3/38 , G06F18/243 , G06F18/214 , G06N3/006 , G06N7/08 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于改进的蛇群优化算法的短期风电功率预测方法及系统，利用四分位法对风电场异常数据清洗并插补，建立极致梯度提升树分类模型并且利用改进的蛇群优化算法优化极致梯度提升树，对极致梯度提升树分类模型进行训练和测试，并且划分天气类型，根据分类结果构建不同天气下的多维特征矩阵，构建自适应预测模型并且预测转折性天气下的风电功率。本发明使用改进的蛇群优化算法对极致梯度提升树的学习率、树深度、最佳树的个数这三个参数进行优化可以提高极致梯度提升树分类模型的准确率，进而提高自适应预测模型的准确率，解决现有风电功率预测方案在转折性天气时段存在较大误差的问题。
-
公开(公告)号：CN116705065A
公开(公告)日：2023-09-05
申请号：CN202310692879.X
申请日：2023-06-12
Applicant: 南昌工程学院
Inventor： 姚先哲 , 丁贵立 , 康兵 , 许志浩 , 王宗耀 , 刘文轩 , 章彧涵 , 李斌 , 高家通 , 蒋善旗 , 戴永熙 , 杨梓萌 , 徐一舟 , 李雨彤 , 何登旋 , 单惠敏
Abstract: 本发明公开了一种基于LSTM‑BHPSO的变电站声纹故障诊断方法，采集变电站声纹信号，并使用MFCC进行特征提取，得到特征数据集，将特征数据集分为训练集和测试集；构建基于LSTM网络的变电站声纹故障诊断模型；将MFCC提取的特征点数量、批处理样本数、网络层个数、隐含层与全连接层的个数作为粒子的位置使用BHPSO算法进行迭代寻优得到最优初始参数，将最优初始参数输入基于LSTM网络的变电站声纹故障诊断模型；使用训练好的基于LSTM网络的变电站声纹故障诊断模型进行变电站声纹故障诊断。本发明具有较好的处理效率，可以避免局部最优，有利于获得准确的故障诊断结果。
-
-
-
-
-
-
-
-
-
Search Results
133
records
(took 0.034 seconds)
