-
公开(公告)号：CN111413075A
公开(公告)日：2020-07-14
申请号：CN202010255381.3
申请日：2020-04-02
Applicant: 重庆交通大学
Abstract: 本发明涉及多尺度一维卷积神经网络的风机基座螺栓松动诊断方法，属于机械状态诊断技术领域。首先，以风机运行时振动时域信号作为多尺度一维卷积神经网络的输入，摆脱对信号处理和专业知识的依赖，并最大程度保留原始信号特征；然后，通过交替的多尺度卷积层和池化层对时域信号特征进行学习；最后，在特征输出层后添加Softmax多分类器，利用反向传播逐层微调结构参数建立特征空间到健康状态空间的映射，输出风机基座螺栓松动程度诊断结果。本方法将松动程度特征自动学习与松动程度诊断融为一体，实现了风机基座螺栓松动程度智能诊断。通过在稳定转速和变转速下对风机基座螺栓松动程度诊断实验，证明了所提方法的可行性和有效性。
-
公开(公告)号：CN118398139A
公开(公告)日：2024-07-26
申请号：CN202410594304.9
申请日：2024-05-14
Applicant: 重庆交通大学 , 中国人民解放军空军工程大学
Abstract: 本发明提供的一种激光诱导冲击波压力值的非线性反演方法，包括如下步骤：S1.采集不同厚度材料在激光冲击条件下背面粒子的速度峰值；S2.根据背面粒子的速度峰值确定不同厚度材料受到的理论冲击波压力值；S3.构建理论冲击波压力值与材料厚度的非线性关系式；S4.根据理论冲击波压力值与材料厚度的关系式反演出材料表面受到激光冲击时的真实冲击波压力值。通过上述方法，能够更准确获取作用在材料表面的激光诱导冲击波真实压力，降低了因材料厚度影响带来的激光诱导冲击波压力计算误差。
-
公开(公告)号：CN118366583A
公开(公告)日：2024-07-19
申请号：CN202410594205.0
申请日：2024-05-14
Applicant: 重庆交通大学 , 中国人民解放军空军工程大学
IPC: G16C60/00 , G06F30/27 , G06N3/096 , G06N3/0464 , G06F30/23 , G06F30/25 , G06F113/26
Abstract: 本发明提供的一种确定复合材料本构模型的应变率修正参数的方法，包括以下步骤：S1.采用有标签的仿真复合材料背面粒子速度数据建立源域数据集；采用无标签的实测PDV复合材料背面粒子速度数据建立目标域数据集；S2.构建深度迁移学习模型；S3.将源域数据和目标域数据输入至深度迁移学习模型中进行训练；S4.判断深度迁移学习模型是否训练完成，如是，则进入步骤S5；如否，则更新深度迁移学习模型参数，返回步骤S3，直至深度迁移学习模型训练完成；S5.将实测PDV复合材料背面粒子速度数据输入至训练完成的深度迁移学习模型中进行预测，得到复合材料本构模型的应变率修正参数。通过上述方法，能够快速准确的获取激光冲击条件下复合材料本构模型应变率修正参数。
-
公开(公告)号：CN116910448A
公开(公告)日：2023-10-20
申请号：CN202310849718.7
申请日：2023-07-11
Applicant: 重庆交通大学 , 中国人民解放军空军工程大学
IPC: G06F18/10 , G06F18/213 , G06F18/2136 , G06F18/214 , G06F18/25 , G06F30/25 , G06F30/27 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种激光冲击波微弱速度信号的降噪方法，包括：采集粒子速度样本信号；构建注意力引导多尺度卷积神经网络模型；使用粒子速度样本信号对所述神经网络模型进行训练，得到训练好的网络模型；将待测粒子速度信号输入到训练好的网络模型，输出降噪后的粒子速度信号。本发明能够不依赖人工设置滤波参数，可快速高效地对不同类型激光冲击波微弱信号进行降噪处理，有效去除微弱回波信号中的盲源噪声。
-
-
-
Search Results
4
records
(took 0.029 seconds)
