-
公开(公告)号：CN106500619A
公开(公告)日：2017-03-15
申请号：CN201610920947.3
申请日：2016-10-21
Applicant: 哈尔滨理工大学
Abstract: 本发明属于光学测量与视觉检测领域，具体涉及一种基于视觉测量的相机内部图像传感器安装误差分离方法；该方法通过分析相机内部图像传感器实际安装位置与理想安装位置存在的偏移夹角误差、偏移距离误差和偏移旋转角度误差，建立图像传感器中实际成像点与理想成像点的三个坐标差方程；再绘制偏移夹角、偏移距离和偏移旋转角与坐标差关系三维图；然后进行相机标定，计算坐标偏移量；同时计算镜头畸变误差；最后找出图像传感器偏移夹角最优解、偏移距离最优解和偏移旋转角最优解；本发明综合考虑了镜头畸变误差和相机内部图像传感器安装位置误差，对图像传感器实际安装位置与理想安装位置发生偏移所产生的误差进行分析与检校，进而提高三维重建精度。
-
公开(公告)号：CN116401950B
公开(公告)日：2024-03-01
申请号：CN202310379921.2
申请日：2023-04-11
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06F18/213 , G06F18/214 , G06F17/16 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06F119/02
Abstract: 本发明公开了一种基于时间图卷积神经网络的滚动轴承性能衰退预测方法，所述方法针对满足对所监测的滚动轴承性能变化趋势的需求问题，获取滚动轴承的原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标。将上述特征指标采用多个评估标准进行综合加权评价，得到评价结果最优的一项或一类特征指标。通过固定窗均值化处理将综合评价结果最优的一项特征指标曲线分解为趋势曲线和残差曲线，实现对滚动轴承性能衰退阶段划分。将评价结果最优的一类特征指标输入T‑GCN模型中，得到滚动轴承性能衰退趋势。本发明通过实验验证该预测方法对实现滚动轴承性能衰退预测具有更高的精度和泛化能力。
-
公开(公告)号：CN116662848A
公开(公告)日：2023-08-29
申请号：CN202310379908.7
申请日：2023-04-11
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/214 , G06N3/084 , G06N3/0464 , G06F18/10 , G06F18/22
Abstract: 本发明公开了一种基于WOA‑VMD与GAT的滚动轴承故障诊断方法，所述方法包括如下步骤：步骤一、通过WOA优化算法对VMD分解的参数模态个数k和惩罚参数α进行自适应确定，从而对原始信号进行VMD分解，再对分解后的信号采用Pearson相关性分析筛选出其中相关性大的IMF分量，以对信号进行重构，完成信号降噪；步骤二、将Attention与图卷积运算进行结合，构建图注意力神经网络滚动轴承故障诊断模型，对价值信息分配更多的比重，用以优化构建图的信息收集阶段，提高模型故障诊断准确率。通过实验验证表明，相比与MLP、Attention模型和GCN模型，其收敛速度更快，诊断精度更高，且损失值较低。
-
公开(公告)号：CN105374040A
公开(公告)日：2016-03-02
申请号：CN201510795743.7
申请日：2015-11-18
Applicant: 哈尔滨理工大学
IPC: G06T7/00
CPC classification number: G06T7/0004 , G06T2207/30164
Abstract: 本发明具体涉及一种基于视觉测量的大型机械工件立体匹配方法；该方法首先通过摄像机获取原始图像对，所述图像对包括左图像和右图像；然后匹配图像对的边缘特征；利用匹配结果获取优质边缘特征匹配点对；由优质边缘特征匹配点对确定视差值范围；再利用优质边缘匹配点对和视差值范围，匹配左图像和右图像；最后由所有的匹配对应点对求得视计算视差值阵列，生成视差图；本发明由于采用了通过匹配图像对的边缘特征来获取优质边缘特征匹配点对的方法，因此能够滤除掉图像非边缘区域易误匹配的点，提高匹配率，从而提高匹配精度；由于通过优质边缘特征匹配点对确定视差值范围，因此能够缩小待匹配范围，减小匹配算法的运算量，从而提高匹配速度。
-
公开(公告)号：CN118171146B
公开(公告)日：2024-10-01
申请号：CN202410359002.3
申请日：2024-03-27
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/084 , G06F17/18
Abstract: 本发明公开了一种基于FSASCA‑VMD与GraphSAGE‑SA的转子‑轴承故障诊断方法，所述方法包括如下步骤：步骤一、通过FSASCA算法对VMD进行初始化设置，利用种群寻优方法逐步迭代找到全局最优解，确定关键参数的选取，以此使VMD完成分解。对于分解后存在的不需要的IMF分量，采用累计峭度占比的方法对IMF分量进行重构，完成信号降噪。步骤二、针对于图卷网络在处理图数据上不足，提出了GraphSAGE算法，随机采样k个邻居节点的信息，在不输出整张图的情况下，通过训练聚合函数，来学习节点的表示方法，对未知节点起到泛化作用。同时结合自注意力的聚合方式对输入序列进行线性变化，得到对应的输出矩阵，然后使用Softmax对其进行归一化来获得注意力权重。
-
Patent Agency Ranking
公开(公告)号：CN118171146A
公开(公告)日：2024-06-11
申请号：CN202410359002.3
申请日：2024-03-27
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/084 , G06F17/18
Abstract: 本发明公开了一种基于FSASCA‑VMD与GraphSAGE‑SA的转子‑轴承故障诊断方法，所述方法包括如下步骤：步骤一、通过FSASCA算法对VMD进行初始化设置，利用种群寻优方法逐步迭代找到全局最优解，确定关键参数的选取，以此使VMD完成分解。对于分解后存在的不需要的IMF分量，采用累计峭度占比的方法对IMF分量进行重构，完成信号降噪。步骤二、针对于图卷网络在处理图数据上不足，提出了GraphSAGE算法，随机采样k个邻居节点的信息，在不输出整张图的情况下，通过训练聚合函数，来学习节点的表示方法，对未知节点起到泛化作用。同时结合自注意力的聚合方式对输入序列进行线性变化，得到对应的输出矩阵，然后使用Softmax对其进行归一化来获得注意力权重。
-
公开(公告)号：CN106500619B
公开(公告)日：2018-11-13
申请号：CN201610920947.3
申请日：2016-10-21
Applicant: 哈尔滨理工大学
Abstract: 本发明属于光学测量与视觉检测领域，具体涉及一种基于视觉测量的相机内部图像传感器安装误差分离方法；该方法通过分析相机内部图像传感器实际安装位置与理想安装位置存在的偏移夹角误差、偏移距离误差和偏移旋转角度误差，建立图像传感器中实际成像点与理想成像点的三个坐标差方程；再绘制偏移夹角、偏移距离和偏移旋转角与坐标差关系三维图；然后进行相机标定，计算坐标偏移量；同时计算镜头畸变误差；最后找出图像传感器偏移夹角最优解、偏移距离最优解和偏移旋转角最优解；本发明综合考虑了镜头畸变误差和相机内部图像传感器安装位置误差，对图像传感器实际安装位置与理想安装位置发生偏移所产生的误差进行分析与检校，进而提高三维重建精度。
-
公开(公告)号：CN119472241A
公开(公告)日：2025-02-18
申请号：CN202411513537.8
申请日：2024-10-28
Applicant: 哈尔滨理工大学
IPC: G05B11/42
Abstract: 一种基于改进乌鸦搜索算法的PID参数优化方法，涉及PID技术领域。本发明旨在解决现有技术中存在的局部搜索能力不足、收敛速度慢和系统稳定性差的问题，从而实现更优的PID参数优化效果。具体的：一种基于改进乌鸦搜索算法的PID参数优化方法，方法包括：构建PID控制器模型的步骤；将所述模型中，固定感知概率和步长，替换为自适应感知概率和Lévy飞行步长的步骤；在所述模型中，加入乌鸦防误导因子的步骤；基于粒子群算法，对PID控制器模型中预设参数进行采集的步骤。所述预设参数包括比例(Kp)、积分(Ki)和微分(Kd)参数。所述Lévy飞行步长的参数通过贝叶斯优化算法进行动态调整。适合应用于PID参数优化的工作中。
-
公开(公告)号：CN118171147B
公开(公告)日：2024-10-01
申请号：CN202410359004.2
申请日：2024-03-27
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/096 , G06N3/084
Abstract: 本发明公开了一种孪生多尺度残差网络的滚动轴承小样本故障诊断方法，所述方法针对满足对所检测的滚动轴承小样本故障诊断的需求问题，通过多尺度残差网络对原始振动信号进行特征提取，从不同工况下稀缺的数据提取源域和目标域的深度特征。使用孪生结构度量源域和目标域深度特征间的相似性，以此构建了SMRN模型，计算样本对之间的欧氏距离。分析卷积层数和训练批次对小样本故障诊断的影响，确定模型参数。将试验台数据集输入SMRN模型中，得到滚动轴承故障诊断准确率。所提出的方法能够保留多尺度带来的优势，从而在轴承故障诊断时提供更高的诊断精度。本发明通过实验验证该诊断方法对实现滚动轴承小样本故障诊断具有更高的精度和泛化能力。
-
公开(公告)号：CN118364238A
公开(公告)日：2024-07-19
申请号：CN202410423438.4
申请日：2024-04-09
Applicant: 哈尔滨理工大学
IPC: G06F18/20 , G06F18/15 , G06F18/214 , G06F18/21 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种基于CNN‑GRU‑Attention的船舶运动姿态预测方法，其所述方法包括如下步骤：步骤一、对原始船舶运动姿态数据归一化处理，根据预测模型相应维数要求进行数据重构，建立包括输入和理论输出的船舶运动姿态数据集，并将数据集划分为训练集和测试集；步骤二、建立CNN‑GRU‑Attention网络结构，利用训练集对预测模型进行训练。采用Adam优化器对初始化网络模型参数进行更新，从而得到成熟的船舶运动姿态预测模型；步骤三、对步骤二中得到的成熟船舶运动姿态预测模型的输出进行反归一化处理，得到最终的预测结果，并利用相关的评价指标对结果进行度量，综合评估CNN‑GRU‑Attention预测模型的预测性能。通过实验验证表明，本发明的预测方法在船舶运动姿态领域具有更好的性能，预测精度更高。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.061 seconds)
