-
公开(公告)号：CN109916634B
公开(公告)日：2021-03-23
申请号：CN201910140906.6
申请日：2019-02-26
Applicant: 武汉科技大学
IPC: G01M15/14
Abstract: 本发明实施例提供了一种航空涡扇发动机剩余使用寿命预测方法及系统，方法包括：获取航空涡扇发动机的检测数据，并根据所述检测数据判断所述航空涡扇发动机所处的退化阶段；基于航空涡扇发动机所处的退化阶段对应的经验模态分解方法，获取所述检测数据对应的特征向量；将所述检测数据对应的特征向量输入预先建立的航空涡扇发动机退化模型中，输出所述航空涡扇发动机的剩余使用寿命预测值。本发明实施例提供的航空涡扇发动机剩余使用寿命预测方法及系统，能够根据航空涡扇发动机的运行状态判断当前所处的退化阶段，预测剩余使用寿命，延长定期检修周期，降低运维成本。
-
公开(公告)号：CN110687451A
公开(公告)日：2020-01-14
申请号：CN201910802577.7
申请日：2019-08-28
Applicant: 武汉科技大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明提供一种基于误差补偿的支持向量机锂电池剩余寿命预测方法。该方法的具体流程为：首先，在电池容量的基础上提取了等时间间隔放电电压差健康指标形成混合健康指标。在锂离子电池指标测量的过程中往往包含各种噪声，为减少噪声的影响，使用EEMD算法对锂离子电池数据集进行降噪处理；然后在训练SVR模型的过程中使用PSR算法得出训练集的时延和嵌入维数；最后，误差纠正模型用来减少SVR预测误差，提升RUL的预测精度。通过NASA锂离子电池数据集证明了该方法在RUL预测方面的优越性。
-
公开(公告)号：CN113722985B
公开(公告)日：2024-04-09
申请号：CN202110925455.4
申请日：2021-08-12
Applicant: 武汉科技大学
IPC: G06F18/24 , G06N3/08 , G06F18/2135 , G06N3/0442
Abstract: 本发明提供一种航空发动机健康状态评估和剩余寿命预测方法及系统，该方法包括：将目标航空发动机的当前运行参数输入多任务模型中的双向门控循环单元模型，输出当前运行参数的特征向量；将当前运行参数的特征向量输入多任务模型中的多门控混合专家网络模型，输出目标航空发动机的健康状态和剩余寿命。本发明实现使用双向门控循环单元模型从当前运行参数中深度挖掘影响健康状态和剩余寿命的本质特征，从而有效提高剩余寿命和健康状态的评估精度；并使用多门控混合专家网络模型同时对剩余寿命预测任务和健康状态评估任务进行共同学习，充分考虑剩余寿命预测任务和健康状态评估任务之间的相关性和差异性，进一步提高剩余寿命和健康状态的评估精度。
-
公开(公告)号：CN110610035B
公开(公告)日：2022-12-16
申请号：CN201910803500.1
申请日：2019-08-28
Applicant: 武汉科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/08 , G06N3/04 , G01M13/045
Abstract: 本发明提供一种基于GRU神经网络的滚动轴承剩余寿命预测方法，该方法按照如下步骤进行：步骤1：提取样本滚动轴承的多个退化特征组成退化特征集；步骤2：利用CEEMDAN算法对退化特征集进行分解，将分解后的残差项作为趋势特征；步骤3：利用单调性和相关性的线性组合对趋势特征筛选，形成最优特征集；步骤4：归一化处理最优特征集；步骤5：将归一化处理后的最优特征集作为GRU神经网络的输入、剩余寿命百分比作为输出训练GRU神经网络；步骤6：获取待测滚动轴承的归一化处理的最优特征集并输入训练后的GRU神经网络中，利用输出的剩余寿命百分比预测出该待测滚动轴承的剩余寿命。本发明方法能更加准确地预测轴承的剩余寿命。
-
公开(公告)号：CN114549452A
公开(公告)日：2022-05-27
申请号：CN202210151409.8
申请日：2022-02-18
Applicant: 武汉科技大学
Abstract: 本发明提供基于半监督深度学习的新冠肺炎CT图像分析方法，包括步骤：基于残差神经网络建立分类模型并加入注意力模块；对每张无标签训练样本进行两次不同的数据增强得到两张新的图像；对这两张图像进行分类并进行最小化熵处理，处理后结果看作图像的伪标签；将得到伪标签的数据增强后的无标签训练样本和数据增强后的有标签训练样本进行Mixup，得到新的训练样本；将新的训练样本和对应的标签代入分类模型中进行训练并逐渐去除有标签训练样本；对分类模型中的全连通层和特征图的权重进行加权求和，生成关注图；用训练好的分类模型对测试集中的样本图像进行诊断，并对诊断结果生成可视化图。这在实际的医学应用中具有实用的价值。
-
Patent Agency Ranking
公开(公告)号：CN111308390A
公开(公告)日：2020-06-19
申请号：CN202010107799.X
申请日：2020-02-21
Applicant: 武汉科技大学
Abstract: 本发明涉及一种基于滑模观测器的模块化多电平换流器鲁棒故障检测方法，所述模块化多电平换流器包括三个相同的单相MMC等效电路相单元，每一所述单相MMC等效电路相单元包含上、下两个桥臂，每个桥臂均由N个结构相同的子模块、一个桥臂电感L和桥臂等效电阻R串联组成，每个子模块包括两个带反并联二极管的IGBT和一个电容C构成的半桥结构，所述方法采用滑模观测器、基于状态空间模型、等效输出误差注入等技术实现了对多电平换流器故障信息重构，且发生故障时，系统仍可保持滑模运动，实现了对多电平换流器故障的检测和隔离，解决了传统的诊断方法无法提供足够的系统故障信息，在多电平换流器系统出现故障后，无法及时有效分析故障及其原因的问题。
-
公开(公告)号：CN108898182A
公开(公告)日：2018-11-27
申请号：CN201810707513.4
申请日：2018-07-02
Applicant: 武汉科技大学
Abstract: 本发明公开了一种基于核主元分析与支持向量机的MMC故障诊断方法，涉及柔性直流输电故障诊断技术，包括以下步骤:(Ⅰ)采集MMC三相各相电压信号Ui，其中，i＝a、b、c，代表abc三相，得到离散输出电压信号X(n)；(Ⅱ)进行快速傅里叶变换(Fast Fourier Transform，FFT)，计算FFT中前半部分和后半部分的频谱能量；并选取前若干次明显的谐波，得到谐波数据矩阵；(Ⅲ)利用核主元分析对谐波数据进行特征降维和故障的特征提取，得到核主元分析降维后的谐波矩阵；(Ⅳ)建立一对一SVM多分类故障诊断模型，并定位得到具体的故障桥臂；本发明MMC故障诊断方法运行速度快，分类精度高，不需要构建数学模型，而且所需传感器的数量少，灵活性强，提高了MMC故障诊断的效率和准确性。
-
公开(公告)号：CN116341929A
公开(公告)日：2023-06-27
申请号：CN202310327926.0
申请日：2023-03-27
Applicant: 武汉科技大学
IPC: G06Q10/0637 , G06Q50/08 , G06F18/10 , G06F18/213 , G06F18/23 , G06F18/243
Abstract: 发明公开了一种基于聚类和自适应梯度提升决策树的预测方法，通过MRGALnet模型对原始数据进行预处理，删除缺失数据、无效数据和异常数据，再进行MI+RFE两步特征选择，筛选出与建筑能耗相关性强的特征，然后对筛选之后的建筑数据利用高斯混合模型进行分类，将能耗数据相似的建筑划分到同一类；并基于AR自适应损失函数设计ALGBM预测方法，该方法可以根据不同聚类的能耗数据自适应的确定损失函数超参数，再利用AR损失函数对预测误差进行修正以提高模型预测性能，发明公开了一种基于聚类和自适应梯度提升决策树的建筑能耗预测方法，通过结合MI、REF、高斯混合聚类和ALGBM,进一步提高预测精度和收敛速度，从而提高模型预测精度。
-
公开(公告)号：CN116167965A
公开(公告)日：2023-05-26
申请号：CN202211538159.X
申请日：2022-12-01
Applicant: 武汉科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455
Abstract: 本发明提供一种基于隐私保护的类不平衡晶圆缺陷模式识别方法及装置，涉及模式识别技术领域，该方法包括：第一客户端从样本数据集中，获取第一样本子集和第二样本子集；对第一样本子集中每一类缺陷模式下的样本晶圆图像进行数据增广，对第二样本子集中每一类缺陷模式下的样本晶圆图像进行降采样；基于与各第二客户端之间的连通拓扑矩阵，以及数据增广后的第一样本子集和降采样后的第二样本子集，进行联邦学习训练，得到最优缺陷模式识别模型；最优缺陷模式识别模型用于根据目标晶圆图像，输出目标晶圆图像的缺陷模式识别结果；第一客户端和第二客户端位于同一联邦学习框架中。本发明实现提高了晶圆缺陷模式识别的鲁棒性、泛化性以及精准性。
-
公开(公告)号：CN110687451B
公开(公告)日：2022-10-25
申请号：CN201910802577.7
申请日：2019-08-28
Applicant: 武汉科技大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明提供一种基于误差补偿的支持向量机锂电池剩余寿命预测方法。该方法的具体流程为：首先，在电池容量的基础上提取了等时间间隔放电电压差健康指标形成混合健康指标。在锂离子电池指标测量的过程中往往包含各种噪声，为减少噪声的影响，使用EEMD算法对锂离子电池数据集进行降噪处理；然后在训练SVR模型的过程中使用PSR算法得出训练集的时延和嵌入维数；最后，误差纠正模型用来减少SVR预测误差，提升RUL的预测精度。通过NASA锂离子电池数据集证明了该方法在RUL预测方面的优越性。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.024 seconds)
