123,123,123

<code id="naseu"></code>

<s id="naseu"></s>

2026年04月23日星期四

當(dāng)前位置

-網(wǎng)站首頁 -專利超市

專利超市

產(chǎn)業(yè)分類:

專利權(quán)人:

專利類別:

合作方式:

綜合排序

新一代信息技術(shù)

一種高頻高精度數(shù)據(jù)采集平臺
一種高頻高精度數(shù)據(jù)采集平臺，涉及數(shù)據(jù)采集領(lǐng)域。本實用新型是為了解決現(xiàn)有通用數(shù)據(jù)采集平臺采樣頻率不足且精度低的問題。本實用新型所述的一種高頻高精度數(shù)據(jù)采集平臺，待采集的數(shù)據(jù)以模擬信號的形式通過所述輸入模塊的模擬信號采集通道輸入至所述模數(shù)轉(zhuǎn)換電路，所述模數(shù)轉(zhuǎn)換電路的模擬信號輸出端連接所述數(shù)模轉(zhuǎn)換電路的模擬信號輸入端，所述數(shù)模轉(zhuǎn)換電路的模擬信號輸出端連接所述有源低通濾波電路的模擬信號輸入端，所述主控模塊的采樣頻率控制信號輸出端連接所述輸入模塊的采樣頻率控制信號輸入端。本實用新型適合在實驗室、采樣周期長、工作環(huán)境復(fù)雜的場景使用。

長春工業(yè)大學(xué) 實用新型
新一代信息技術(shù)

一種基于深度學(xué)習(xí)的無監(jiān)督批量控制方法
本發(fā)明公開了一種基于深度學(xué)習(xí)的無監(jiān)督批量控制方法，該方法涉及機器學(xué)習(xí)、深度學(xué)習(xí)、無監(jiān)督、過程控制等領(lǐng)域。首先，設(shè)計基于遺傳算法的多路偏最小二乘自動編碼器對數(shù)據(jù)進行特征提取并計算動態(tài)控制極限；其次，在每個時間間隔使用核密度估計來估計學(xué)習(xí)的潛在特征和殘差的控制極限，進行故障監(jiān)測，確保加工廠安全運行和最終產(chǎn)品高質(zhì)量生產(chǎn)。與其他方法相比，本發(fā)明優(yōu)勢在于提升系統(tǒng)制水效率、降低能源消耗，提高設(shè)備運行的穩(wěn)定性和魯棒性，提高智能制造系統(tǒng)的可靠性，可廣泛應(yīng)用于化工、石油、制藥、水處理等大型工業(yè)。

長春工業(yè)大學(xué) 授權(quán)發(fā)明
新一代信息技術(shù)

一種基于Dueling DQN算法的多AGV負載均衡與任務(wù)調(diào)度方法
本發(fā)明提出一種基于Dueling DQN算法的多AGV負載均衡與任務(wù)調(diào)度方法，涉及智能車間的倉儲物流自動配送領(lǐng)域。在車間收集生產(chǎn)作業(yè)數(shù)據(jù)，以數(shù)據(jù)為基礎(chǔ)建立馬爾科夫決策模型。設(shè)定訓(xùn)練數(shù)據(jù)樣本，用Dueling DQN算法優(yōu)化數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸出層動作價值函數(shù)Q為價值函數(shù)和優(yōu)勢函數(shù)的線性加和，將價值函數(shù)和優(yōu)勢函數(shù)分開建模，使智能體更好的處理與動作關(guān)聯(lián)較小的狀態(tài)。構(gòu)建獎懲函數(shù)與路網(wǎng)負載的聯(lián)系，將路徑長度和路網(wǎng)負載融入獎懲函數(shù)。構(gòu)建關(guān)注狀態(tài)價值和動作優(yōu)勢值差異的任務(wù)調(diào)度匹配執(zhí)行機制，可以應(yīng)用于倉儲車間的AGV任務(wù)調(diào)度領(lǐng)域。與現(xiàn)有技術(shù)相比，本發(fā)明可高效優(yōu)化路網(wǎng)負載，準(zhǔn)確匹配不同狀態(tài)和動作調(diào)度策略，極大提高了生產(chǎn)效率。

長春工業(yè)大學(xué) 授權(quán)發(fā)明
新一代信息技術(shù)

基于大數(shù)據(jù)的產(chǎn)業(yè)集群能效優(yōu)化方法及系統(tǒng)
本發(fā)明提供了基于大數(shù)據(jù)的產(chǎn)業(yè)集群能效優(yōu)化方法及系統(tǒng)，屬于產(chǎn)業(yè)能效優(yōu)化技術(shù)領(lǐng)域。首先收集產(chǎn)業(yè)集群數(shù)據(jù)；其次將所述產(chǎn)業(yè)集群數(shù)據(jù)進行數(shù)據(jù)處理，得到標(biāo)準(zhǔn)產(chǎn)業(yè)集群數(shù)據(jù)；然后構(gòu)建負荷流仿真模型，將所述標(biāo)準(zhǔn)產(chǎn)業(yè)集群數(shù)據(jù)進行數(shù)據(jù)擴充，得到新產(chǎn)業(yè)集群數(shù)據(jù)；再分析所述新產(chǎn)業(yè)集群數(shù)據(jù)，得到產(chǎn)業(yè)集群特征；最后將所述產(chǎn)業(yè)集群特征輸入到一維網(wǎng)絡(luò)模型中進行特征提取，預(yù)測能效水平并進行后續(xù)處理優(yōu)化。本發(fā)明通過收集產(chǎn)業(yè)集群數(shù)據(jù)進行分析，提取產(chǎn)業(yè)集群的關(guān)鍵特征，輸入到一維網(wǎng)絡(luò)模型中，以預(yù)測和優(yōu)化能效水平，整個過程涉及數(shù)據(jù)處理、模型建立和機器學(xué)習(xí)算法，旨在提高能效分析的精度和優(yōu)化的效率，提高產(chǎn)業(yè)集群的可持續(xù)發(fā)展能力。

國網(wǎng)吉林省電力有限公司經(jīng)濟技術(shù)研究院 授權(quán)發(fā)明
新一代信息技術(shù)

基于雙重特征選擇的CNN-ISO滾動軸承故障診斷方法
本發(fā)明提供了一種基于雙重特征選擇的CNN?ISO滾動軸承故障診斷方法。屬于旋轉(zhuǎn)機械設(shè)備故障診斷領(lǐng)域。第一階段利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）從原始振動信號中自動提取高維深度特征，避免人工特征構(gòu)造的主觀性和復(fù)雜性，確保特征提取過程更加客觀、全面；第二階段將改進的蛇群優(yōu)化算法（Improved Snake Optimization，ISO）與特征剔除、特征激活相結(jié)合，實現(xiàn)特征子集選擇與支持向量機（SVM）分類器參數(shù)的同步優(yōu)化，在特征空間和參數(shù)空間中進行高效的全局搜索，充分挖掘最優(yōu)特征組合與分類器性能的協(xié)同提升潛力。本發(fā)明在準(zhǔn)確率、搜索效率及模型輕量化方面均優(yōu)于傳統(tǒng)方法，可為實現(xiàn)工業(yè)現(xiàn)場軸承早期故障的實時、準(zhǔn)確診斷提供思路。

長春工業(yè)大學(xué) 授權(quán)發(fā)明
新一代信息技術(shù)

自適應(yīng)窗寬對稱零面積變換的LIBS尋峰方法、系統(tǒng)和裝置
本發(fā)明公開了自適應(yīng)窗寬對稱零面積變換的LIBS尋峰方法、系統(tǒng)和裝置，屬于激光誘導(dǎo)擊穿光譜元素分析技術(shù)領(lǐng)域。本方法先通過SNIP法扣除光譜基底并經(jīng)Savitzky?Golay濾波預(yù)處理，再分割數(shù)據(jù)段，結(jié)合峰分辨率、半峰全寬、斜率最大值處水平距離動態(tài)調(diào)整窗寬——鄰近峰區(qū)域用窄窗提升分辨率，噪聲或單峰區(qū)域用寬窗增強降噪效果，最后代入對稱零面積變換完成尋峰。實驗表明，本方法尋峰準(zhǔn)確率達97.4%，誤檢率1.75%，與NIST數(shù)據(jù)庫比對誤差≤0.071nm，噪聲魯棒性優(yōu)于傳統(tǒng)方法，可精準(zhǔn)識別鄰近峰并抑制噪聲干擾，適用于高精度LIBS元素分析。

長春工業(yè)大學(xué) 授權(quán)發(fā)明

<strike id="aawtf"></strike>

<tfoot id="aawtf"><label id="aawtf"></label></tfoot>

<input id="aawtf"><output id="aawtf"><bdo id="aawtf"></bdo></output></input>