-
公开(公告)号：CN112182267B
公开(公告)日：2023-08-08
申请号：CN202011030231.9
申请日：2020-09-27
Applicant: 中南大学
IPC: G06F16/55 , G06F16/583 , G06F16/2458 , G06F17/18 , G06T11/00 , G06Q50/26
Abstract: 本发明公开了一种地铁车厢乘客精细化引导方法及系统，利用地铁每节车厢现有的空气弹簧和压力传感器来检测车厢载重，将压力时间序列作为乘客分布预测模型输入，进而实现整节车厢乘客分布的智能感知。将每节车厢内乘客分布数据映射到空间位置坐标系，并对乘客分布情况进行像素化描述，通过图像聚类方式实现了乘客分布模式的智能分类，解决了车厢内乘客典型分布模式描述不准的问题；通过分布预测模型来预测乘客分布情况，并根据预测的乘客分布情况调节车厢内照明灯管的亮度，实现乘客流动的引导，该方法无需额外增加检测装置来检测乘客分布情况，能够获取车厢内乘客分布情况，并采用照明灯管亮度调节方式进行引导避免了车厢嘈杂环境的干扰。
-
公开(公告)号：CN111027727B
公开(公告)日：2023-06-09
申请号：CN201911379311.2
申请日：2019-12-27
Applicant: 中南大学
IPC: G06Q10/20 , G06Q10/063 , G06Q50/30 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种轨道系统跨域运维关键要素辨识方法，包括对轨道系统进行全生命周期构成要素的分解；对各个要素在安全域、性能域和环境域进行量化计算；建立数据集；建立安全域分析模型、性能域分析模型和环境域分析模型并获得跨域运维强相关要素；根据跨域运维强相关要素建立全生命周期运维分析模型并得到强相关要素运维关键度；根据强相关要素运维关键度建立运维关键要素辨识模型并得到最终的跨域运维关键要素。本发明能够进行轨道系统的跨域运维关键要素分析确认，而且可靠性高，实用性好。
-
公开(公告)号：CN111027727A
公开(公告)日：2020-04-17
申请号：CN201911379311.2
申请日：2019-12-27
Applicant: 中南大学
Abstract: 本发明公开了一种轨道系统跨域运维关键要素辨识方法，包括对轨道系统进行全生命周期构成要素的分解；对各个要素在安全域、性能域和环境域进行量化计算；建立数据集；建立安全域分析模型、性能域分析模型和环境域分析模型并获得跨域运维强相关要素；根据跨域运维强相关要素建立全生命周期运维分析模型并得到强相关要素运维关键度；根据强相关要素运维关键度建立运维关键要素辨识模型并得到最终的跨域运维关键要素。本发明能够进行轨道系统的跨域运维关键要素分析确认，而且可靠性高，实用性好。
-
公开(公告)号：CN112816052B
公开(公告)日：2022-02-08
申请号：CN202110003658.8
申请日：2021-01-04
Applicant: 中南大学
IPC: G01H1/00 , G01H1/04 , G01H1/08 , G01H1/12 , G01H1/16 , G01M17/08 , G06F30/15 , G06F30/27 , G06F111/06
Abstract: 本发明公开了一种列车车室振动监测方法、振动信号特征库建立及应用方法，采用非侵入式列车车室振动监测方法，实际监测时仅需获取列车车室内总测点的振动信号，避免传感器冗余，节省成本，有利于列车轻量化，准确真实地反映出振源位置与相位偏移、幅值衰减之间的关系，能够监测未知振源的振动情况，能够识别振源的异常振动，从而为异常振动处理提供依据；能够在仅测量总测点振动信号的基础上实现振源信号的重建，从而实现其多元振动信号特征库的实时更新，且多元振动信号特征库能够为振动信号优化分解、振动信号图像辨识、异常振动信号辨识等提供数据基础。
-
公开(公告)号：CN109508835B
公开(公告)日：2020-11-24
申请号：CN201910000264.X
申请日：2019-01-01
Applicant: 中南大学
IPC: G06Q10/04 , G06Q10/06 , G06Q50/06 , G06F16/2458 , H02J3/00
Abstract: 本发明公开了一种融合环境反馈的智慧电网短期电力负荷预测方法，根据各用电单位的电力负荷数据变化的本质规律进行聚类分析，将目标预测区域划分区块，针对区块分别建立预测模型组，避免过量相关模型的干扰；以天为单位分析一周内各区块的电力负荷时间序列并根据其波动规律划分时段分别建立预测模型，提升电力负荷预测的预测精度；同时，考虑到电力负荷突变的影响因素，建立平均温度、平均湿度和风速同电力负荷预测误差之间的映射关系，智能嵌入外部环境因素，得到融合环境反馈的电力负荷预测模型，极大提升了预测模型对电力负荷突变事件的敏感度和适应能力，保证了预测方法的鲁棒性，提高了短期电力负荷预测的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN112800855B
公开(公告)日：2022-07-12
申请号：CN202110003825.9
申请日：2021-01-04
Applicant: 中南大学
Abstract: 本发明公开了一种列车转向架非侵入式实时故障监测方法，包括：获得各关键部件对应的预采集振动数据M和总信号测点对应的预采集振动数据C；提取转向架振动数据的信号特征，建立转向架振动信号特征库；获得多标签故障识别模型S(FC)；采集总信号测点处的实时振动数据CR，提取CR中的信号特征FCR；执行多目标优化算法，获得非支配解集NS；获取NS中对应优化目标值最小的N组自变量作为N组故障识别初步结果；利用训练好的模型S(FC)对采集的信号CR进行识别，输出多标签分类识别结果，以N组故障识别初步结果中与多标签分类识别结果交集最大的一组故障识别初步结果作为故障识别最终结果。本发明提供一种列车转向架非侵入式实时故障监测方法，无需大量传感器，精度和稳定性高。
-
公开(公告)号：CN112816052A
公开(公告)日：2021-05-18
申请号：CN202110003658.8
申请日：2021-01-04
Applicant: 中南大学
IPC: G01H1/00 , G01H1/04 , G01H1/08 , G01H1/12 , G01H1/16 , G01M17/08 , G06F30/15 , G06F30/27 , G06F111/06
Abstract: 本发明公开了一种列车车室振动监测方法、振动信号特征库建立及应用方法，采用非侵入式列车车室振动监测方法，实际监测时仅需获取列车车室内总测点的振动信号，避免传感器冗余，节省成本，有利于列车轻量化，准确真实地反映出振源位置与相位偏移、幅值衰减之间的关系，能够监测未知振源的振动情况，能够识别振源的异常振动，从而为异常振动处理提供依据；能够在仅测量总测点振动信号的基础上实现振源信号的重建，从而实现其多元振动信号特征库的实时更新，且多元振动信号特征库能够为振动信号优化分解、振动信号图像辨识、异常振动信号辨识等提供数据基础。
-
公开(公告)号：CN112182267A
公开(公告)日：2021-01-05
申请号：CN202011030231.9
申请日：2020-09-27
Applicant: 中南大学
IPC: G06F16/55 , G06F16/583 , G06F16/2458 , G06F17/18 , G06T11/00 , G06Q50/26
Abstract: 本发明公开了一种地铁车厢乘客精细化引导方法及系统，利用地铁每节车厢现有的空气弹簧和压力传感器来检测车厢载重，将压力时间序列作为乘客分布预测模型输入，进而实现整节车厢乘客分布的智能感知。将每节车厢内乘客分布数据映射到空间位置坐标系，并对乘客分布情况进行像素化描述，通过图像聚类方式实现了乘客分布模式的智能分类，解决了车厢内乘客典型分布模式描述不准的问题；通过分布预测模型来预测乘客分布情况，并根据预测的乘客分布情况调节车厢内照明灯管的亮度，实现乘客流动的引导，该方法无需额外增加检测装置来检测乘客分布情况，能够获取车厢内乘客分布情况，并采用照明灯管亮度调节方式进行引导避免了车厢嘈杂环境的干扰。
-
公开(公告)号：CN109884419B
公开(公告)日：2020-05-19
申请号：CN201811600818.1
申请日：2018-12-26
Applicant: 中南大学
Abstract: 本发明公开了一种智慧电网电能质量在线故障诊断方法，包括：实时采集待检测电能质量监测点的电压信号；采用极值点包络的动态测试法获取电压信号的n个电压极值点，以及采用离散小波变换方法获取电压信号的小波能熵有效值、小波能熵均值、小波能熵方差、相角偏移、扰动持续时间、小波能量，组成电压信号的特征向量；然后采用压缩感知原理进行数据的压缩、传输与解压缩；再而在云端服务器对重构的特征向量进行特征值选择，构成预处理特征向量；最后基于ELM神经网络训练得到的电能质量扰动分类器根据预处理特征向量输出扰动类型。本发明能够大大提升电能数据的传输效率，对信号采集器与中继节点的硬件性能要求低，且最终的分类诊断效率高。
-
公开(公告)号：CN109767043A
公开(公告)日：2019-05-17
申请号：CN201910043089.2
申请日：2019-01-17
Applicant: 中南大学
Abstract: 本发明公开了一种电力负荷时间序列大数据智能建模与预测方法，对电力负荷时间序列历史数据进行小波分解，将电力负荷时间序列历史数据分解为电力负荷高频时间序列历史数据和低频时间序列历史数据，然后对所有时间序列进行集成化处理，对时间序列进行聚类，对每种聚类类别的时间序列基于Elman神经网络建立负荷预测模型，最后对预测的分解后的电力负荷进行重构，完成对电力负荷时间序列的智能建模，从而实现对不同特征的电力负荷进行高效、智能预测。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.025 seconds)
