-
公开(公告)号：CN116028865A
公开(公告)日：2023-04-28
申请号：CN202310018871.5
申请日：2023-01-06
Applicant: 哈尔滨工业大学
IPC: G06F18/241 , G06F18/214 , G06N20/00 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 一种基于特征扩增的航空发动机故障诊断方法，属于航空发动机故障诊断技术领域。本发明针对航空发动机故障信号特征的显著性逐渐降低，难以充分提取发动机实际运维数据中的有用信息，进而影响故障诊断正确率的问题。包括对原始样本进行高维特征扩增，得到特征扩增后样本；再进行归一化处理，再由归一化后样本构造训练样本集；将训练样本集中的正常状态样本和故障样本分别设置不同标签；采用训练样本集对故障诊断网络进行训练，当达到预设迭代次数后，得到训练后故障诊断网络；采集航空发动机的运行数据，处理后得到归一化后待诊断数据；将归一化后待诊断数据输入训练后故障诊断网络，得到航空发动机故障诊断结果。本发明用于航空发动机故障诊断。
-
公开(公告)号：CN115204031A
公开(公告)日：2022-10-18
申请号：CN202210519129.8
申请日：2022-05-13
Applicant: 哈尔滨工业大学
Abstract: 航空发动机装配过程的振动值预测方法，属于航空发动机装配状态监测技术领域，本发明为解决现有小样本情况下航空发动机装配过程的振动值预测精度低的问题。它包括：对航空发动机装配流程的数据进行预处理，构建多相关性分析模型，提取关键输入特征；采用二维拉伸变换方法和均值池化方法，实现装配数据的一维数组与二维图像的转换，并采用W生成对抗网络模型进行数据增强，获得扩充后的小样本数据的区间；构建支持向量机分类模型，对航空发动机整机振动值的区间范围进行预测。本发明用于对航空发动机进行装配。
-
公开(公告)号：CN111598161A
公开(公告)日：2020-08-28
申请号：CN202010406716.7
申请日：2020-05-14
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明披露了一种基于CNN迁移学习的发动机气路状态诊断系统，所述诊断系统包括源域和目标域，所述源域包括一CNN模块，其特征在于：所述CNN模块包括一个内层和三个全连层，所述内层由两个卷积层、一个池化层组成，并以预设的源域训练集对所述CNN模块进行训练，待所述CNN模块训练完成，将训练完成的所述CNN模块中的所述内层迁移到所述目标域并保持不变，作为所述目标域的发动机状态特征映射模型；所述目标域还包括一SVM模块，所述SVM模块对经所述内层映射的发动机小样本故障数据进行诊断和分类，从而输出发动机故障类别。
-
公开(公告)号：CN119720075A
公开(公告)日：2025-03-28
申请号：CN202411694264.1
申请日：2024-11-25
Applicant: 哈尔滨工业大学
IPC: G06F18/25 , G06F18/213 , G06F18/27 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 一种航空发动机剩余使用寿命预测方法，属于航空发动机剩余使用寿命预测领域，本发明为解决现有航空发动机RUL预测模型存在的问题。本发明并行时空Transformer模型进行预测，并行时空Transformer模型包括时间注意力模块TAM、空间注意力模块SAM、时空特征融合器和支持向量机MLP；TAM和SAM并联设置，输入样本分别输入至TAM和SAM；通过TAM获得时序增强特征；通过SAM获得空间增强特征；利用时空特征融合器将时序增强特征和空间增强特征进行融合；支持向量机MLP根据时空特征融合器输出的融合特征进行航空发动机剩余使用寿命预测。
-
公开(公告)号：CN116050547A
公开(公告)日：2023-05-02
申请号：CN202310063619.6
申请日：2023-01-12
Applicant: 哈尔滨工业大学
Abstract: 一种基于自注意力集成学习的起落架性能预测方法，涉及起落架性能预测领域。本发明是为了解决现有起落架性能预测方法还存在计算效率和预测精度不高的问题。本发明包括：获取待预测的起落架性能数据的关键特征，将待预测的起落架性能数据的关键特征数据输入到起落架性能预测模型中获得起落架的重心垂直载荷、重心垂向位移；所述起落架性能预测模型通过以下方式获得：获取起落架性能数据；利用MCA模型剔除起落架性能数据特征中的无效特征和冗余特征，获得起落架性能数据中的关键特征数据；利用关键特征数据对AMLP进行训练获得训练好的AMLP模型；采用网格搜索法对训练好的AMLP模型的超参数进行调优，获得起落架性能预测模型。本发明用于预测起落架性能。
-
Patent Agency Ranking
公开(公告)号：CN111598222B
公开(公告)日：2023-04-28
申请号：CN202010406707.8
申请日：2020-05-14
Applicant: 哈尔滨工业大学(威海)
IPC: G06N3/0455 , G06N3/048 , G06N3/082 , G06F18/23213 , G06F18/22 , G06F18/214
Abstract: 本发明披露了一种重优化深度自动编码器，其特征在于：包括第一经典深度自动编码器模块、K‑Means聚类模型模块和第二经典深度自动编码器模块；所述第一经典深度自动编码器模块训练完成后，通过所述第一经典深度自动编码器模块获得一重构误差集；所述K‑Means聚类模型模块对所述重构误差集进行聚类，剔除其中重构误差较大的异常样本，保留正常样本作为新训练集；用所述新训练集对所述第二经典深度自动编码器模块进行训练。基于所述重优化深度自动编码器，本发明还提出了一种发动机自动检测系统。
-
公开(公告)号：CN115901213A
公开(公告)日：2023-04-04
申请号：CN202211412595.2
申请日：2022-11-11
Applicant: 哈尔滨工业大学
Abstract: 一种旋转机械设备小样本数据生成及故障诊断方法，属于旋转机械故障诊断技术领域。本发明针对旋转机械设备故障诊断中，现有方法在极少样本条件下生成的小样本数据缺乏多样性以及难以和原始样本共享类别信息的问题。包括：对同一故障类别的k个故障样本，采用经验模态分解提取每个故障样本的一系列本征模态；选择基样本并确定参考样本集；将待变异局部基因与由每个参考样本的本征模态中匹配出的与待变异局部基因最相似的局部本征模态进行局部融合，得到变异后局部本征模态；将基样本中除选取的一个局部本征模态外所有其它局部本征模态组成的集合与变异后局部本征模态进行经验模态重构，生成故障新样本。本发明用于小样本数据生成及设备故障诊断。
-
公开(公告)号：CN115618613A
公开(公告)日：2023-01-17
申请号：CN202211294744.X
申请日：2022-10-21
Applicant: 哈尔滨工业大学
IPC: G06F30/20 , G06N3/08 , G06N3/0442
Abstract: 本发明提出的一种基于双深度残差LSTM的复杂装备剩余寿命的预测方法及系统，包括：获取历史复杂装备的多维时序监控数据和性能衰退HI曲线；利用训练后的第一深度残差LSTM模型对待测复杂装备的多维时序监控数据进行性能衰退起始点检测，获得所述待测复杂装备是否进入衰退期：若否，则结束检测；若是，获取待测复杂装备的性能衰退起始点，并利用训练后的第二深度残差LSTM模型对所述待测复杂装备的多维时序监控数据进行预测，获得所述待测复杂装备的预测剩余寿命。本申请在保留传统LSTM网络时序数据处理能力的同时，有效解决深层LSTM训练困难和性能退化问题，并能够对复杂装备性能衰退起始点的检测和进入衰退期后的剩余寿命快速准确预测。
-
公开(公告)号：CN108363382B
公开(公告)日：2019-02-26
申请号：CN201810131247.5
申请日：2018-02-09
Applicant: 哈尔滨工业大学(威海)
IPC: G05B23/02
Abstract: 本发明涉及一种复杂装备故障诊断方法及系统，其中方法包括：样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的状态数据进行预处理生成正常样本和故障样本；特征提取步骤、从全部正常样本中随机选择部分正常样本对SDAE模型进行训练，并利用训练好的SDAE模型对剩余的正常样本和所有的故障样本进行特征提取，得到特征集；分类识别步骤、基于特征集使用支持向量机对特征进行分类。本发明能够在复杂装备真实的小样本条件下进行故障诊断，故障识别准确率和泛化性明显优于基于支持向量机的故障诊断法。在建立复杂装备状态特征模型过程中，提出一种根据单个DAE特征提取能力设计SDAE模型隐藏层节点数的方法。
-
公开(公告)号：CN116050547B
公开(公告)日：2024-09-03
申请号：CN202310063619.6
申请日：2023-01-12
Applicant: 哈尔滨工业大学
Abstract: 一种基于自注意力集成学习的起落架性能预测方法，涉及起落架性能预测领域。本发明是为了解决现有起落架性能预测方法还存在计算效率和预测精度不高的问题。本发明包括：获取待预测的起落架性能数据的关键特征，将待预测的起落架性能数据的关键特征数据输入到起落架性能预测模型中获得起落架的重心垂直载荷、重心垂向位移；所述起落架性能预测模型通过以下方式获得：获取起落架性能数据；利用MCA模型剔除起落架性能数据特征中的无效特征和冗余特征，获得起落架性能数据中的关键特征数据；利用关键特征数据对AMLP进行训练获得训练好的AMLP模型；采用网格搜索法对训练好的AMLP模型的超参数进行调优，获得起落架性能预测模型。本发明用于预测起落架性能。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.026 seconds)
