-
公开(公告)号：CN112597705B
公开(公告)日：2022-05-24
申请号：CN202011589552.2
申请日：2020-12-28
Applicant: 哈尔滨工业大学
Abstract: 一种基于SCVNN的多特征健康因子融合方法，涉及故障预测技术领域，针对现有技术中模型不能够降低经验因素的影响，去除冗余信息的问题，SCVNN模型采用变分推断的思想对原始信号进行正态分布建模，能够从信号中进行自适应特征学习，构造表征信号本质的特征。相比于传统特征融合方法，该模型能够降低经验因素的影响，去除冗余信息。将自归一化思想引入SCVNN模型，能够保证激活值以归一化的状态在网络各层间传递，避免了过拟合现象的发生，获取到包含丰富信息的特征，从而更好地表征旋转机械的健康状态。
-
公开(公告)号：CN112307586A
公开(公告)日：2021-02-02
申请号：CN202011309881.7
申请日：2020-11-20
Applicant: 哈尔滨工业大学
IPC: G06F30/17 , G06F30/20 , G06F119/02 , G06F119/04
Abstract: 一种基于分布式架构的装备退化状态故障预测系统，属于装备故障预测技术领域。本发明针对复杂装备的故障监测中将退化状态识别与故障预测相结合，存在数据处理可靠性和安全性差的问题。包括：Zynq‑7020硬件平台数据处理模块，用于根据目标装备的实时采集数据获得装备性能退化特征；故障预测模块，用于根据装备性能退化特征构建健康因子，并通过故障预测模型预测目标装备的剩余寿命；所述故障预测模型通过带标签的数据进行预训练后建立。本发明可提高装备故障预测的实时性。
-
公开(公告)号：CN108934578B
公开(公告)日：2020-08-04
申请号：CN201810878723.X
申请日：2018-08-03
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种生态墙，更具体的说是一种寒地城市开放空间微气候调节生态墙，包括墙架、墙板、养殖架、放置架和推拉组件，本发明可以张开通气，也可以闭合密闭，本发明上可以种植植物，并且用于种植植物的养殖板的角度可以进行调节，使植物有着更好的光照。底板的左右两端均固定连接有侧支柱，底板前端面的左右两端均固定连接有铰接凸块，两个侧支柱的上端均设置有矩形插槽，两个侧支柱的前端面上均粘接有竖密封条，两个侧支柱的上端均通过螺钉固定连接有边块，两个边块之间固定连接有上梁，上梁中端的前端固定连接有伸出板，限位挡板的上端固定连接在伸出板的前端。
-
公开(公告)号：CN119128523A
公开(公告)日：2024-12-13
申请号：CN202411300223.X
申请日：2024-09-18
Applicant: 哈尔滨工业大学
IPC: G06F18/214 , G01R31/316 , G06F18/243 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于孪生网络的模拟电路少样本故障诊断方法，该方法包括：采集模拟电路故障类别的样本；根据样本制作支持集；根据样本制作样本对集，并将样本对集分为训练集和测试集；通过孪生网络模型计算样本对集的特征向量；通过损失函数对孪生网络模型进行训练，得到训练好的网络模型；根据训练好的网络模型和支持集判断待诊断样本的故障类别。该方法能够更准确地提取样本的特征向量并加快模型的训练过程，还提高了对少样本的电路故障类别识别的准确性。
-
公开(公告)号：CN118937975A
公开(公告)日：2024-11-12
申请号：CN202410921645.2
申请日：2024-07-10
Applicant: 哈尔滨工业大学
IPC: G01R31/316 , G06F30/367 , G06N3/006
Abstract: 一种用于模拟电路故障诊断的测试激励优化方法，属于优化技术领域。本发明为了解决脉冲源不同的频率成分对特征的激发效果可能会相互抑制，影响激励效果的问题。利用测试激励信号对所有故障信息下的同一模拟电路均进行m次激励仿真，根据模拟电路输出节点的所有幅频和相频响应信号分别建立所有故障信息下幅频特性曲线图和相频特性曲线图；测试激励信号为由P个不同频率的正弦波形成的混合信号，从幅频特性曲线图中选择幅值范围所对应的频率区间作为搜索空间；COOT鸟类模型优化算法在搜索空间内随机抽取n个个体进行位置更新，得到更新后的n个个体所对应n个频率所对应的正弦波形成的混合信号作为优化后的测试激励信号。本发明用于优化测试激励信号。
-
Patent Agency Ranking
公开(公告)号：CN118245877A
公开(公告)日：2024-06-25
申请号：CN202410371588.5
申请日：2024-03-29
Applicant: 哈尔滨工业大学
IPC: G06F18/241 , G01M13/045 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/096 , G06N3/098 , G06N20/20
Abstract: 本发明公开了联合迁移和多尺度网络的旋转机械不均衡故障诊断方法，包括以下步骤：获取旋转机械的多尺度振动信号；将多尺度注意力机制引入卷积网络构建基分类器；构建基于基分类器联合迁移策略的集成学习模型；将所述多尺度振动信号输入训练好的基于基分类器联合迁移策略的集成学习模型，完成故障诊断。本发明通过改变样本权重，整合不同的学习器和相应的权重，解决了解决旋转机械故障诊断中的样本不均衡问题。
-
公开(公告)号：CN114956921B
公开(公告)日：2023-03-07
申请号：CN202210760878.X
申请日：2022-06-30
Applicant: 哈尔滨工业大学 , 中国航天科工集团第六研究院四十一所
IPC: C06B33/08 , C06B33/14 , C06B33/12 , C06B33/06 , C06B33/04 , C06B31/32 , C06B31/28 , C08F220/14 , C08F222/20 , C08F220/56 , C08F222/38 , C08F220/20 , C08F8/14 , C08F16/06 , C08F8/00 , C06B29/22 , C06B29/00 , C06B21/00
Abstract: 本发明公开了一种可磁致变形固体火箭混合凝胶推进剂及其制备方法，所述推进剂由油相、水相两部分组成，所述油相包括有机溶剂、油相凝胶聚合物单体、油相交联剂、油相引发剂、磁性粒子；所述水相包括水、氧化剂、还原剂、燃速调节剂、降温剂、水相凝胶聚合物。本发明混合凝胶推进剂由水相以及油相凝胶混合制备得到，水相凝胶为推进剂的氧化剂、还原剂等组分，通过在油相凝胶中引入磁性粒子提供形变的动力，赋予推进剂可大幅度变形的能力，根据需求实现燃面形状的快速改变，从而快速改变发动机的性能。本发明混合凝胶推进剂的磁场响应速率≥10mm/s，拉伸率≥50%。
-
公开(公告)号：CN111239588B
公开(公告)日：2023-02-07
申请号：CN202010067595.8
申请日：2020-01-20
Applicant: 哈尔滨工业大学
IPC: G01R31/28 , G01R31/316 , G06N20/10
Abstract: 一种基于WOA和GMKL‑SVM的模拟电路故障诊断方法，属于故障诊断技术领域。解决了现有模拟电路故障诊断存在准确率低的问题。本发明利用PSPICE软件对需要故障诊断的模拟电路进行仿真，将电路输出端作为测试点获得电路脉冲响应信号，通过Monte‑Carlo分析，针对每种电路故障获取多组样本信号；对每种电路故障的多组样本信号分别进行小波包分解，计算小波包系数的能量作为特征量，构建小波包特征向量样本集，并将样本集随机分为训练集和测试集；基于训练集数据，采用WOA算法寻找GMKL‑SVM的最优惩罚参数、权衡参数和组合核函数参数，建立GMKL‑SVM故障诊断分类器；利用GMKL‑SVM故障诊断分类器对测试集数据进行诊断分类，获得模拟电路故障的诊断结果。本发明适用于模拟电路故障诊断使用。
-
公开(公告)号：CN112816191B
公开(公告)日：2022-07-29
申请号：CN202011606166.X
申请日：2020-12-28
Applicant: 哈尔滨工业大学
Abstract: 一种基于SDRSN的多特征健康因子融合方法，涉及故障预测技术领域，针对现有技术中模型不能够降低经验因素的影响，去除冗余信息的问题，SDRSN模型能够进行自适应特征学习，根据注意力机制发现输入样本的干扰特征，并利用软阈值函数将其置零，从而降低干扰因素对于特征挖掘效果的影响。相比于传统特征融合方法，该模型能够降低经验因素的影响，去除冗余信息。将自归一化思想引入SDRSN模型，能够保证激活值以归一化的状态在网络各层间传递，避免了过拟合现象的发生，获取到包含丰富信息的特征，从而更好地表征旋转机械的健康状态。
-
公开(公告)号：CN112816191A
公开(公告)日：2021-05-18
申请号：CN202011606166.X
申请日：2020-12-28
Applicant: 哈尔滨工业大学
Abstract: 一种基于SDRSN的多特征健康因子融合方法，涉及故障预测技术领域，针对现有技术中模型不能够降低经验因素的影响，去除冗余信息的问题，SDRSN模型能够进行自适应特征学习，根据注意力机制发现输入样本的干扰特征，并利用软阈值函数将其置零，从而降低干扰因素对于特征挖掘效果的影响。相比于传统特征融合方法，该模型能够降低经验因素的影响，去除冗余信息。将自归一化思想引入SDRSN模型，能够保证激活值以归一化的状态在网络各层间传递，避免了过拟合现象的发生，获取到包含丰富信息的特征，从而更好地表征旋转机械的健康状态。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.025 seconds)
