-
公开(公告)号：CN117315346A
公开(公告)日：2023-12-29
申请号：CN202311246897.1
申请日：2023-09-25
Applicant: 同济大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06F18/2415 , G06F18/25 , G06V10/82
Abstract: 本发明提供一种基于多模态融合的航空发动机叶片故障诊断方法及系统，涉及航空发动机故障诊断技术领域，包括：获取用于故障诊断的航空发动叶片的原始文本、振动和图像多模态感知数据；通过数据归一化技术对获得的原始文本、振动和图像数据分别进行归一化处理；通过一维卷积层分别对归一化之后的三种模态数据进行初步的特征提取；构造基于Transformer的多模态数据跨模态融合网络；将通过一维卷积提取的三种模态初步特征送入多模态特征融合网络进行特征的融合；通过全连接层和Softmax分类器，输出故障分类结果。本发明提供的故障诊断模型通过对文本、振动和图像数据进行跨模态的特征融合，能够充分利用不同模态数据之间的互补信息，具有鲁棒性高的优点。
-
公开(公告)号：CN116150888A
公开(公告)日：2023-05-23
申请号：CN202310144223.4
申请日：2023-02-21
Applicant: 同济大学
IPC: G06F30/15 , G06F30/17 , G06F30/27 , G06F30/28 , G06F111/06 , G06F119/08 , G06F119/14
Abstract: 本发明公开了一种基于数字孪生的航空发动机多场耦合仿真方法及系统包括：利用逆向工程技术建立航空发动机的数字孪生子模型；建立含有多个子模型的多物理场集成仿真平台，进而建立航空发动机系统多物理场耦合模型；监测航空发动机系统在正常运行过程中的运行状态，获得初始数据确定标准数据集；利用粒子群优化算法，输出仿真计算航空发动机系统的实时性能参数；获得能够实时同步的航空发动机系统多物理场耦合数字孪生模型。建立航空发动机系统多物理场耦合模型，提高了仿真计算结果的准确性；使用的粒子群优化算法，对航空发动机系统多物理场耦合模型的内部参数进行修正，获得能够实时同步的航空发动机系统多物理场耦合数字孪生模型。
-
公开(公告)号：CN115256377A
公开(公告)日：2022-11-01
申请号：CN202210816782.0
申请日：2022-07-12
Applicant: 同济大学
IPC: B25J9/16 , B25J9/00 , B25J19/04 , G06N3/04 , G06T7/73 , G06T7/90 , G06V10/56 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明涉及一种基于多源信息融合的机器人抓取方法和装置，方法包括获取待抓取物体的RGB图像、光流图像和深度图像；分别对RGB图像、光流图像和深度图像进行特征提取，对应获得各个特征；将RGB特征、光流特征和深度特征输入多源信息融合模块，输出获得待抓取物体的融合特征；将融合特征输入物体姿态预测模块，通过物体姿态预测模块对对待抓取物体进行分类，并回归出待抓取物体的抓取位置信息；根据所预测待抓取物体的抓取位置信息，抓取待抓取物体；根据触觉传感器感知触觉信息，判断是否抓取成功。与现有技术相比，本发明充分考虑机器人抓取的复杂环境，有效地提高了机器人对运动物体的抓取能力，具有精度高、鲁棒性好等优点。
-
公开(公告)号：CN115633129B
公开(公告)日：2024-03-05
申请号：CN202211252929.4
申请日：2022-10-13
Applicant: 同济大学
IPC: H04N1/32 , H04L9/00 , G06N3/0464 , G06N3/08 , G06F21/60
Abstract: 本发明公开了一种堆栈式稀疏自编码器和GAN的混沌序列图像加密方法及装置，涉及图像加密技术领域。包括：获取待加密的原始图像；获取原始图像的混沌序列；将混沌序列输入到训练好的基于堆栈稀疏自编码器和生成对抗网络GAN的深度学习网络加密模型；根据混沌序列以及深度学习网络加密模型，得到待加密的原始图像的密文图像。本发明通过堆栈式稀疏自编码器学习图像中复杂的内在特征，堆栈式稀疏自编码不仅具有多层网络结构，而且具有稀疏编码器的约束能力，使得模型能够在复杂环境下学习更加有效的图像特征。堆栈稀疏自编码器和GAN生成对抗网络相结合的加密模型，能够消除混沌序列的周期性，进一步提高加密模型的安全性。
-
Patent Agency Ranking
公开(公告)号：CN116303670A
公开(公告)日：2023-06-23
申请号：CN202310143461.3
申请日：2023-02-21
Applicant: 同济大学
IPC: G06F16/2458 , G06F16/248 , G06F16/26 , G06N20/00 , G06N5/022 , G06N5/025 , G06N5/02 , G06F18/25
Abstract: 本发明公开了一种航空发动机健康管理人机交互方法与系统包括：获取用于生成航空发动机健康管理知识图谱的相关多模态数据源；通过均值插补方法补全对多模态数据源中的缺失数据，获得多模态预处理数据；构造特征融合模型带入多模态预处理数据获得多模态数据三元组融合特征；采用机器学习方法抽取多模态数据融合特征的信息，获得多模态航空发动机健康管理知识，构建多模态航空发动机健康管理知识图谱；构建多模态人机交互系统，并基于所述多模态航空发动机健康管理知识图谱实现对多模态数据的人机交互，能够更好的展示航空发动机健康管理信息，从而替代航空发动机健康管理领域专家的知识，实现航空发动机健康管理领域的智能化。
-
公开(公告)号：CN115633129A
公开(公告)日：2023-01-20
申请号：CN202211252929.4
申请日：2022-10-13
Applicant: 同济大学
IPC: H04N1/32 , H04L9/00 , G06N3/0464 , G06N3/08 , G06F21/60
Abstract: 本发明公开了一种堆栈式稀疏自编码器和GAN的混沌序列图像加密方法及装置，涉及图像加密技术领域。包括：获取待加密的原始图像；获取原始图像的混沌序列；将混沌序列输入到训练好的基于堆栈稀疏自编码器和生成对抗网络GAN的深度学习网络加密模型；根据混沌序列以及深度学习网络加密模型，得到待加密的原始图像的密文图像。本发明通过堆栈式稀疏自编码器学习图像中复杂的内在特征，堆栈式稀疏自编码不仅具有多层网络结构，而且具有稀疏编码器的约束能力，使得模型能够在复杂环境下学习更加有效的图像特征。堆栈稀疏自编码器和GAN生成对抗网络相结合的加密模型，能够消除混沌序列的周期性，进一步提高加密模型的安全性。
-
公开(公告)号：CN115905853A
公开(公告)日：2023-04-04
申请号：CN202211079626.7
申请日：2022-09-05
Applicant: 同济大学
IPC: G06F18/214 , G06F18/241 , G06F18/213 , G06F18/22 , G06F17/14 , G01M13/045 , G06N3/0464
Abstract: 本发明公开了一种基于深度学习的航空发动机转子系统故障诊断方法及装置，涉及航空发动机故障诊断技术领域。包括：获取待诊断的航空发动机轴承的一维振动信号数据；对一维振动信号数据进行预处理，得到二维时频域图像；将二维时频域图像输入到训练好的特征提取网络，得到待诊断的航空发动机轴承的故障分类结果。本发明通过对一维轴承振动信号数据进行时频分析，生成具有物理意义的二维时频图像，能够充分挖掘出数据的频域特征，具有鲁棒性高、抗噪声的优点。基于视觉多层感知机的特征提取网络，能够获取具有全局依赖关系的高维故障特征，进一步提高诊断的准确性。迁移学习有助于克服故障样本量不足的局限性，加速故障诊断算法的实际应用。
-
公开(公告)号：CN116992597A
公开(公告)日：2023-11-03
申请号：CN202311032138.5
申请日：2023-08-15
Applicant: 同济大学
IPC: G06F30/17 , G06F30/27 , G06N3/0499 , G06N3/084 , G06N3/086
Abstract: 本发明公开了一种基于GABP的航空发动机篦齿流量系数设计方法及装置，涉及航空发动机空气系统参数设计技术领域。包括：获取待设计流量系数的发动机篦齿数据；将发动机篦齿数据输入到构建好的遗传算法反向传播GABP神经网络；根据发动机篦齿数据以及GABP神经网络，得到航空发动机篦齿流量系数。本发明提供了基于GABP的航空发动机篦齿流量系数设计方法，为航空发动机空气系统设计提供新的解决方案，节省人力物力，缩短设计周期。
-
公开(公告)号：CN115796268A
公开(公告)日：2023-03-14
申请号：CN202211527709.8
申请日：2022-12-01
Applicant: 同济大学
IPC: G06N3/086 , G06N3/082 , G06N3/0455 , G06N3/126
Abstract: 本发明提供了一种基于遗传算法优化稀疏自编码器的数据压缩方法与装置，涉及数据处理技术领域。包括：确定稀疏自编码器的网络拓扑结构，初始化稀疏自编码器网络，获得稀疏自编码器网络的初始权值和初始阈值；通过改进遗传算法对稀疏自编码器网络的初始权值和初始阈值进行优化；对未压缩的数据进行归一化处理和数据矫正，获得新的未压缩数据；将新的未压缩数据输入改进的稀疏自编码器网络，将隐含层的输出数据作为压缩后的数据；将压缩后的数据通过算数编码进行无损压缩，获得新的压缩后数据。有效地对样本数据进行降维，稀疏自编码器的多层网络结构使稀疏自编码器具有强大的非线性特征映射能力，无需输入数据具备标签，提高了压缩算法的适用范围。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.026 seconds)
