-
Patent Agency Ranking
公开(公告)号：CN118312826B
公开(公告)日：2024-11-26
申请号：CN202410423441.6
申请日：2024-04-09
Applicant: 哈尔滨工业大学
IPC: G06F18/24 , G01N29/44 , G01N29/14 , G01N3/06 , G01N3/32 , G06F18/213 , G06F18/2321 , G06F17/16
Abstract: 本发明公开了一种基于多层级密度多峰值聚类算法的钢轨裂纹信号分类方法，首先，从钢轨疲劳实验中获取不同阶段裂纹的声发射信号，将信号转换为Hankel矩阵并进行奇异值分解后，通过计算奇异谱的熵值以获取信号的奇异频谱熵特征；然后，通过引入层级和全局衰减权重的概念，计算特征集中每个数据点的多层权重密度并基于数据点的密度关系计算相对距离；最后，通过选取决策图中的判别点以及计算微簇间的欧几里得距离序列实现微簇的自动识别和合并，最终得到钢轨裂纹的分类结果。本发明利用层级结构优化密度计算，并结合微簇自识别和合并策略有效提高分类准确率，适用于需要高精度的钢轨裂纹伤损分类领域。
-
公开(公告)号：CN119985719A
公开(公告)日：2025-05-13
申请号：CN202510150223.4
申请日：2025-02-11
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于动态权重融合驱动的钢轨伤损梅尔频谱特征检测方法，首先，针对采集到的声发射信号，计算其信号一致性方差来确定数值融合权重；然后，通过传感器的实际安装位置计算其位置可靠性函数，并结合动态补偿机制从而计算位置权重；进而，将获得的数值权重和位置权重结合起来，获得用于信号融合的自适应权重来进行信号融合；最后，从融合信号中提取梅尔频谱滚降点特征，并结合统计阈值来确定钢轨是否存在伤损。本发明根据信号一致性方差和传感器几何位置动态调整融合权重，可以更灵活地适应不同情况下的传感器数据，并引入梅尔频谱滚降点作为特征提取指标，有效地去除噪声干扰并保留伤损信息，适用于需要高精度的钢轨伤损检测领域。
-
公开(公告)号：CN116821737B
公开(公告)日：2024-04-30
申请号：CN202310676504.4
申请日：2023-06-08
Applicant: 哈尔滨工业大学
IPC: G06F18/23213 , G06F18/25 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/0442 , G06N3/0895
Abstract: 本发明公开了一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，所述方法包括如下步骤：一：加载从具有不同裂纹的钢轨获得的声发射信号，从这些声发射信号中提取25维特征，依据K‑means算法对特征进行聚类处理，根据聚类精度进行特征筛选，获得能够有效区分不同裂纹信息的特征集；二：将特征集输入到SCNN‑LSTM深度学习模型中，结合弱监督学习标签进行多特征融合，获得钢轨健康指数；三：依据钢轨健康指数的特性，构建自适应钢轨裂纹识别阈值，准确判别来自四段具有不同裂纹的钢轨的声发射信号，完成钢轨裂纹声发射信号识别。本发明运算速率快，识别精度高，在高铁钢轨裂纹伤损识别领域，具有很高的社会意义和经济价值。
-
公开(公告)号：CN118312826A
公开(公告)日：2024-07-09
申请号：CN202410423441.6
申请日：2024-04-09
Applicant: 哈尔滨工业大学
IPC: G06F18/24 , G01N29/44 , G01N29/14 , G01N3/06 , G01N3/32 , G06F18/213 , G06F18/2321 , G06F17/16
Abstract: 本发明公开了一种基于多层级密度多峰值聚类算法的钢轨裂纹信号分类方法，首先，从钢轨疲劳实验中获取不同阶段裂纹的声发射信号，将信号转换为Hankel矩阵并进行奇异值分解后，通过计算奇异谱的熵值以获取信号的奇异频谱熵特征；然后，通过引入层级和全局衰减权重的概念，计算特征集中每个数据点的多层权重密度并基于数据点的密度关系计算相对距离；最后，通过选取决策图中的判别点以及计算微簇间的欧几里得距离序列实现微簇的自动识别和合并，最终得到钢轨裂纹的分类结果。本发明利用层级结构优化密度计算，并结合微簇自识别和合并策略有效提高分类准确率，适用于需要高精度的钢轨裂纹伤损分类领域。
-
公开(公告)号：CN116821737A
公开(公告)日：2023-09-29
申请号：CN202310676504.4
申请日：2023-06-08
Applicant: 哈尔滨工业大学
IPC: G06F18/23213 , G06F18/25 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/0442 , G06N3/0895
Abstract: 本发明公开了一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，所述方法包括如下步骤：一：加载从具有不同裂纹的钢轨获得的声发射信号，从这些声发射信号中提取25维特征，依据K‑means算法对特征进行聚类处理，根据聚类精度进行特征筛选，获得能够有效区分不同裂纹信息的特征集；二：将特征集输入到SCNN‑LSTM深度学习模型中，结合弱监督学习标签进行多特征融合，获得钢轨健康指数；三：依据钢轨健康指数的特性，构建自适应钢轨裂纹识别阈值，准确判别来自四段具有不同裂纹的钢轨的声发射信号，完成钢轨裂纹声发射信号识别。本发明运算速率快，识别精度高，在高铁钢轨裂纹伤损识别领域，具有很高的社会意义和经济价值。
-
-
-
-
Search Results
5
records
(took 0.029 seconds)
