-
公开(公告)号：CN114894619A
公开(公告)日：2022-08-12
申请号：CN202210500867.8
申请日：2022-05-10
Applicant: 中南大学
Abstract: 本发明提出了基于长短期记忆网络的钢管混凝土柱轴压荷载‑应变曲线预测方法。对于设计参数、轴压荷载和轴向应变数据，设计数据预处理和数据构成方法，用于长短期记忆网络离线模型训练；构造轴向应变数据序列，并将其与设计参数输入到训练好的离线模型中，得到模型输出的轴压荷载数据；用轴向应变数据和轴压荷载数据还原轴压荷载‑应变曲线，实现系统轴压荷载‑应变曲线预测。
-
公开(公告)号：CN111983414B
公开(公告)日：2022-07-29
申请号：CN202010807693.0
申请日：2020-08-12
Applicant: 中南大学
Abstract: 本发明公开了一种针对轨道列车牵引变流器的开路故障诊断方法及系统，该方法包括：建立整流器结构模型并列出物理方程组，确定故障类型，获得故障诊断数据集；根据物理方程组构建用于故障诊断的残差，根据残差与故障的关系生成诊断决策表；计算出故障诊断数据集中每个数据对应的残差值，通过诊断决策表对每个数据进行初步的故障诊断，所有数据按故障类型进行预分类，并按照预分类构造数据集中各数据之间的关联关系图；将关联关系图转化为关联关系矩阵，构造图卷积神经网络，在网络前向传播公式中使用关联关系矩阵，训练图卷积神经网络模型；图卷积神经网络模型输出作为故障诊断预测结果。本发明可提高整流器故障诊断准确率。
-
公开(公告)号：CN113086798B
公开(公告)日：2022-02-08
申请号：CN202110365782.9
申请日：2021-04-06
Applicant: 中南大学
IPC: B66B5/00
Abstract: 基于门控循环网络和典型相关分析的电梯故障检测方法。该方法是基于门控循环单元神经网络和典型相关分析的垂直电梯故障检测方法，检测电梯运行的电机电流、制动器电流、安全电路电流和车门电机电流四种电流数据和三个方向上的振动数据；对离线数据进行预处理后分别输入两个门控循环单元神经网络同时进行训练，使两个门控循环单元神经网络的输出进行典型相关分析后得到的相关系数最大；将在线数据经过预处理后输入到训练好的两个网络中，将相关系数与阈值比较来实现故障检测。
-
公开(公告)号：CN113086798A
公开(公告)日：2021-07-09
申请号：CN202110365782.9
申请日：2021-04-06
Applicant: 中南大学
IPC: B66B5/00
Abstract: 基于门控循环网络和典型相关分析的电梯故障检测方法。该方法是基于门控循环单元神经网络和典型相关分析的垂直电梯故障检测方法，检测电梯运行的电机电流、制动器电流、安全电路电流和车门电机电流四种电流数据和三个方向上的振动数据；对离线数据进行预处理后分别输入两个门控循环单元神经网络同时进行训练，使两个门控循环单元神经网络的输出进行典型相关分析后得到的相关系数最大；将在线数据经过预处理后输入到训练好的两个网络中，将相关系数与阈值比较来实现故障检测。
-
公开(公告)号：CN112910325A
公开(公告)日：2021-06-04
申请号：CN202110059994.4
申请日：2021-01-18
Applicant: 中南大学
IPC: H02P6/08 , H02P6/28 , H02P21/14 , H02P21/22 , H02P25/022
Abstract: 本发明涉及一种用于内置式永磁同步电机DTC的MTPA控制方法，(1)通过比较预测的定子电流和实际采样得到的定子电流来判断定子磁链扰动的方向；(2)通过使用给定转矩差计算可变采样周期；(3)利用(1)(2)改进传统扰动观察搜索算法，通过对磁链施加MTPA方法得到扰动方向来减小系统定子电流，实现系统给定转矩不均匀变化情况下快速准确的内置式永磁同步电机DTC的MTPA控制。
-
Patent Agency Ranking
公开(公告)号：CN118736186A
公开(公告)日：2024-10-01
申请号：CN202410710748.4
申请日：2024-06-04
Applicant: 中南大学
IPC: G06V10/25 , G01S13/89 , G01V3/12 , G06V10/22 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/044 , G06N3/084
Abstract: 探地雷达数据关键点检测与目标定位方法，首先，在YOLOv8框架中引入全局注意力机制，通过减少信息损失和放大全局交互表示，提高深度神经网络的性能；其次，结合空间特征增强的子网和深度递归网络，引入多头自注意力机制，实现地下结构的高分辨率映射；最后，在损失函数中引入广义交并比损失和完全交并比损失，通过增加对包围框外部区域、目标检测框中心点距离和长宽比的考量，优化非重叠和重叠问题下的检测精度。本方法首先，基于YOLOv8‑GSI网络进行GPR目标检测，获得候选目标所在区域；然后，第一阶段的部分训练权重被共享并传递到第二阶段，后者在此基础上训练第二阶段YOLOv8‑GSI网络，从候选目标特征中获取精确的关键点检测，从而实现地下目标的自动化定位。
-
公开(公告)号：CN118735857A
公开(公告)日：2024-10-01
申请号：CN202410710751.6
申请日：2024-06-04
Applicant: 中南大学
IPC: G06T7/00 , G01S13/89 , G01V3/12 , G06V20/10 , G06V10/25 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了基于轻量化网络的探地雷达充气充水空洞病害的识别方法，针对道路空洞GPR图像样本稀缺的问题，采用时域有限差分法对随机数量和位置的充气空洞和充水空洞病害进行正演模拟，生成仿真图像，同时附加道路场景下的真实图像，构建混合数据集。改进的轻量化网络利用MobileNetV3精简PP‑YOLOE主干，在MobileNetV3的主干结构中引入协同注意力模块以优化空间、坐标和通道信息的融合，同时结合路径聚合网络和变焦损失、分布焦点损失函数，实现了探地雷达道路充气与充水空洞病害的自动识别，解决了传统GPR图像检测方法在检测精度和速度上的不足。
-
公开(公告)号：CN118709524A
公开(公告)日：2024-09-27
申请号：CN202410710752.0
申请日：2024-06-04
Applicant: 中南大学
IPC: G06F30/27 , G01S13/89 , G01S7/41 , G01R27/26 , G01V3/12 , G06F18/214 , G06F18/24 , G06N3/0475 , G06N3/0464 , G06N3/09 , G06N3/0455
Abstract: 本发明提出了基于多尺度有监督生成对抗网络的探地雷达数据反演方法，改进基于pix2pixGan的深度学习框架，加入多尺度卷积模块和EMA注意力模块，以便更加准确的捕获B‑scan图像中多个双曲波形以及杂波特征；结合数据集中地下介电常数分布图像存在背景像素和反演目标像素数量不平衡的特点改进原有的L1误差损失函数为焦点加权均方误差函数，同时加入SSIM损失函数。使用gprMax+paraview仿真软件生成模拟GPR B‑scan波形图像和对应地下介电常数分布图像，以建立用于训练的B‑scan—介电常数分布配对数据集；训练pix2pixGan，将训练后的U‑net生成器对B‑scan图像进行反演转换得到地下介电常数分布图，最终实现GPR数据反演。
-
公开(公告)号：CN114994489B
公开(公告)日：2024-09-17
申请号：CN202210566885.6
申请日：2022-05-23
Applicant: 中南大学
IPC: G01R31/26
Abstract: 本发明涉及变流器检测技术领域，公开了一种IGBT老化检测方法及老化检测器；该方法包括分别获取某一工况下变流器稳态运行时IGBT正常、老化时的电流数据，对电流数据做整周期截取，构建IGBT老化特征序列组；查找IGBT老化特征序列组中在预设频段内大于老化检测阈值的频率范围最宽的IGBT老化特征序列，并记录对应的周期和数据处理窗口长度；计算待检测IGBT在不同工况下基于该周期和数据处理窗口长度构成的老化特征序列；若待检测IGBT的老化特征序列在预设频段内大于老化检测阈值，则视为待检测IGBT存在老化。这样能够对无法直接获取与IGBT本身电气特性相关的实验数据的变流器进行IGBT老化检测。
-
公开(公告)号：CN118628452A
公开(公告)日：2024-09-10
申请号：CN202410710750.1
申请日：2024-06-04
Applicant: 中南大学
IPC: G06T7/00 , G06V10/44 , G06V10/82 , G06V10/774 , G06V10/24 , G06V10/34 , G06V10/52 , G06V10/771 , G06N3/0455 , G06N3/045 , G06N3/0464 , G06N3/0985 , G06N3/096
Abstract: 本发明提出了基于GPR数据的隧道衬砌内部空腔和不密实缺陷的检测方法，对于采集到的实测图像，改进基于End‑to‑End Object Detection with Transformers的深度学习框架，在原架构上嵌入了一种新颖的高效多尺度注意力模块—Multi‑Scale Convolutional Block Attention Module模块，允许模型根据任务需求和内容上下文动态地关注于最有用的特征，从而改善DETR模型的收敛速度和对小目标的检测准确率，实现端到端的隧道衬砌内部缺陷的自动检测；使用LabelImg软件进行标记，并利用两种隧道构件的实测数据集进行迁移学习，以建立用于训练的隧道构件—缺陷数据集；结合传统数据增强方法对GPR数据集进行随机镜像翻转、高斯模糊、明亮变换、尺度变换和添加噪声等扩增操作，进一步提高模型的泛化能力，增加样本的多样性。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.02 seconds)
