一种机械零部件无监督智能故障诊断方法及系统

    公开(公告)号:CN116522070A

    公开(公告)日:2023-08-01

    申请号:CN202310263292.7

    申请日:2023-03-17

    Applicant: 贵州大学

    Abstract: 本发明公开了一种机械零部件无监督智能故障诊断方法及系统,涉及智能故障诊断技术领域,包括:制作旋转机械无监督智能故障诊断数据集,搭建旋转机械无监督智能故障诊断模型;训练无监督智能故障诊断模型,设计综合考虑基于映射和基于对抗的损失函数作为优化目标;评估模型,输入测试集样本,输出预测结果,得到在无监督前提下模型将源域知识迁移至目标域时的表现效果。本发明提供的机械零部件无监督智能故障诊断方法着重优化模型的骨干网络和域适应学习方式,提升模型性能,完善特征工程,综合考虑分类损失、映射域迁移损失及对抗域迁移损失的反向优化过程,使模型准确程度得到提升,无需额外的硬件设施,降低了使用成本。

    一种基于深度学习的三维重建方法和系统

    公开(公告)号:CN116416375A

    公开(公告)日:2023-07-11

    申请号:CN202310131512.0

    申请日:2023-02-17

    Applicant: 贵州大学

    Abstract: 本发明公开了一种基于深度学习的三维重建方法和系统包括:获取场景图像数据;搭建改进的神经辐射场三维重建模型;对改进的神经辐射场三维重建模型进行训练,获得重建结果;最后评估重建结果,通过性能指标对重建结果进行综合评价。缓解由位置编码到定长向量转化而造成的特征信息损失;缓解局部混淆以提升模型拟合粗采样特征的能力,纠正粗采样阶段三维特征中错误的部分;克服神经辐射场的频谱偏差;能够应用于复杂环境下移动机器人的三维场景实景渲染,只需要单目摄像头就可以重建三维场景,能够帮助移动机器人感知更多的空间特征信息。

    一种自适应茶叶加工模糊控制方法

    公开(公告)号:CN115145145B

    公开(公告)日:2024-05-07

    申请号:CN202210804436.0

    申请日:2022-07-08

    Applicant: 贵州大学

    Abstract: 本发明公开了一种自适应茶叶加工模糊控制方法包括,基于数据库建立自适应模糊PID控制器,基于所述自适应模糊PID控制器,建立茶叶杀青机温度控制系统,基于茶叶杀青机温度控制系统建立改进后的麻雀搜索算法模型,建立适应度函数模型,进行迭代,实现自适应模糊PID控制器参数整定,完成自适应茶叶加工模糊控制。本发明提出一种自适应茶叶加工模糊控制方法,设计一种改进麻雀搜索算法和适应度函数,开展全局迭代寻优,提高全局搜索和跳出局部最优解的能力,根据每次迭代的性能指标数值变化情况,进行控制器参数的自动调整,达到规避人工试凑法弊端,提高参数整定智能化程度之目的。

    一种目标检测方法及系统
    5.
    发明公开

    公开(公告)号:CN115937643A

    公开(公告)日:2023-04-07

    申请号:CN202211493862.3

    申请日:2022-11-25

    Applicant: 贵州大学

    Abstract: 本发明公开了一种目标检测方法及系统,一种目标检测方法获取遥感图像数据集;搭建改进的YOLOx‑m遥感目标检测模型;训练改进的YOLOx‑m遥感目标检测模型;以及评估改进的YOLOx‑m遥感目标检测性能。一种用于遥感图像的智能检测系统,主要包括数据获取模块和检测模块。本发明所述方法以及系统。设计了全新的注意力机制,并利用其构建了新的主干网络,挖掘了特征图像中的全部信息,增强了网络的特征提取能力;在多尺度特征融合网络中,引入多尺度特征补正池化金字塔池结构和改建的CSP‑Layer,补正了缺失的特征信息,增强了融合、提取特征的能力;还能够对指定的目标进行检测,准确获取目标位置。

    一种刀具磨损状态实时监测方法

    公开(公告)号:CN112435363B

    公开(公告)日:2022-08-16

    申请号:CN201910788319.8

    申请日:2019-08-26

    Applicant: 贵州大学

    Abstract: 本发明公开了一种刀具磨损状态实时监测方法,包括如下步骤:利用加速度传感器实时采集原始振动信号,并经连续采样裁剪为2000个采样点组成(2000,3)的时序信号;将尺寸为(2000,3)的时序信号作为输入数据输入一维卷积神经网络(CNN)进行邻域滤波,利用滑动窗口进行计算,最终得到单个时间步时序信号的高维特征;采用改进的双向长短时记忆网络(BiLSTM)处理连续时间步时序信号产生的高维特征;引入Attention机制计算连续时间步时序信号特征的重要性分布,生成含有注意力概率分布的时序信号特征模型;进行网络模型的训练,得到磨损分类结果。本发明具有提高网络模型实时监测的识别精度和泛化性能的特点。

    一种刀具磨损状态实时监测方法

    公开(公告)号:CN112435363A

    公开(公告)日:2021-03-02

    申请号:CN201910788319.8

    申请日:2019-08-26

    Applicant: 贵州大学

    Abstract: 本发明公开了一种刀具磨损状态实时监测方法,包括如下步骤:利用加速度传感器实时采集原始振动信号,并经连续采样裁剪为2000个采样点组成(2000,3)的时序信号;将尺寸为(2000,3)的时序信号作为输入数据输入一维卷积神经网络(CNN)进行邻域滤波,利用滑动窗口进行计算,最终得到单个时间步时序信号的高维特征;采用改进的双向长短时记忆网络(BiLSTM)处理连续时间步时序信号产生的高维特征;引入Attention机制计算连续时间步时序信号特征的重要性分布,生成含有注意力概率分布的时序信号特征模型;进行网络模型的训练,得到磨损分类结果。本发明具有提高网络模型实时监测的识别精度和泛化性能的特点。

    一种自组织深度学习驱动的绿色电力负荷预测方法和系统

    公开(公告)号:CN117293788A

    公开(公告)日:2023-12-26

    申请号:CN202310263291.2

    申请日:2023-03-17

    Applicant: 贵州大学

    Abstract: 本发明公开了一种自组织深度学习驱动的电力负荷预测方法及系统,包括:获取电力负荷数据,制作绿色电力负荷预测数据集;通过主干特征提取网络和结构优化算法,搭建自组织深度学习驱动的绿色电力负荷预测模型;训练自组织深度学习驱动的绿色电力负荷预测模型,对预测模型进行评估,输出最优预测结果。本发明无需额外的硬件设施,且使用方法简单,降低了使用成本,有利于在任何条件下部署和实施,将缩短开发周期,提升算法的实用性。

Patent Agency Ranking