-
公开(公告)号：CN103353752B
公开(公告)日：2015-10-28
申请号：CN201310240505.0
申请日：2013-06-18
Applicant: 北京航空航天大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于四级RBF神经网络的飞机环控系统控制组件故障诊断方法，具体步骤如下：步骤一、建立并训练一级RBF神经网络观测器；步骤二、建立并训练二级RBF自适应阈值产生器；步骤三、建立并训练三级RBF故障跟随器，提取其网络参数；步骤四、建立并训练四级RBF故障隔离器；步骤五、对飞机环控系统控制组件进行实时故障检测；步骤六、对飞机环控系统控制组件进行实时故障隔离；本发明方法采用基于四级RBF神经网络的故障诊断方法，为飞机环控系统控制组件提供了一套完整的故障检测与隔离方案，具有很高的实际工程应用价值。
-
公开(公告)号：CN119004095A
公开(公告)日：2024-11-22
申请号：CN202410669552.5
申请日：2024-05-28
Applicant: 北京航空航天大学
IPC: G06F18/214 , G06F18/213 , G06N3/0475 , G06N3/045 , G06N3/08
Abstract: 本发明的实施方式提供了一种未知故障程度下缺失样本插补生成方法、装置及电子设备。该方法包括：从已有的部分已知故障程度下的各个故障样本中分别提取能够表征设备故障程度的退化趋势条件变量，并利用所述每个故障样本的退化趋势条件变量构建训练样本集；构建包含生成器网络的CRGAN‑MDTR网络模型，并利用所述训练样本集对所述包含生成器网络的CRGAN‑MDTR网络模型进行训练，得到训练好的生成器网络；获取目标故障程度下的退化趋势条件变量，并通过将所述目标故障程度下的退化趋势条件变量输入至所述训练好的生成器网络中，生成故障程度对应于所述目标故障程度下的退化趋势条件变量的故障样本，实现了未知故障程度下的缺失故障样本插补生成。本发明能够快速地输出缺陷故障样本，提升了获取故障样本的效率。
-
公开(公告)号：CN118503705A
公开(公告)日：2024-08-16
申请号：CN202410647392.4
申请日：2024-05-23
Applicant: 北京航空航天大学
IPC: G06F18/214 , G06F18/24 , G06F18/213 , G06N3/0455 , G06N3/08
Abstract: 本发明公开一种基于多属性因子解耦的未知工况组合故障样本重组生成方法，包括：在已有部分已知工况组合条件下故障样本的基础上，利用深度生成模型的条件分布学习能力，依次开展原始样本重构、同属性样本因子一次互换重构、异属性样本因子二次互换重构训练，将故障样本中与各个工况属性相关的信息储存到隐空间向量中互不重叠的特定区域中，作为与各工况属性相关的因子，实现多工况因子的解耦；进而从包含与目标未知工况组合共享属性的已有样本中进行压缩表征、因子提取和交叉重组，完成未知工况下的缺失故障样本重组生成，实现故障诊断模型在面向复杂变工况条件时的诊断能力提升。
-
公开(公告)号：CN117922839A
公开(公告)日：2024-04-26
申请号：CN202410022206.8
申请日：2024-01-05
Applicant: 北京航空航天大学
IPC: B64F5/60
Abstract: 本发明公开了一种高超飞行器测试方法，采用将高超飞行器的测试性指标要求分拆为若干测试性指标子要求，并分配给飞发一体化系统中的每个组成单元，然后将测试性指标子要求嵌入到对应的组成单元所关联的测试项目中，使得对结构复杂的飞发一体化系统的整体性能测试转换为对每个组成单元的分拆测试，测试复杂度大幅降低，有利于提升测试效率。基于模型的系统工程(MBSE，Model Based System Engineering)将嵌入有分配的测试性指标子要求的组成单元对应的测试项目生成为测试流程，测试流程的生成减少了人为依赖，降低了流程生成的出错概率。
-
公开(公告)号：CN115329906B
公开(公告)日：2023-04-14
申请号：CN202211250601.9
申请日：2022-10-13
Applicant: 北京航空航天大学
IPC: G06F18/214 , G06F18/20 , G06F18/2413 , G06F18/22 , G06F18/2415 , G06F18/2135 , G06N3/0464 , G06N3/047 , G06N3/084
Abstract: 本发明公开了一种基于图正则化网络的故障诊断方法及装置，其方法包括：获取包含N个有标签训练样本和M个无标签训练样本的弱监督训练样本集，并构建所述弱监督训练样本集的关联图；从所构建的所述弱监督训练样本集的关联图中分别抽取包含每个有标签训练样本的N个关联子图；建立基于图正则化网络的故障诊断模型，并利用所述N个关联子图对所述基于图正则化网络的故障诊断模型进行训练，得到训练后的基于图正则化网络的故障诊断模型；利用所述训练后的基于图正则化网络的故障诊断模型对弱监督测试样本集进行故障诊断，识别出所述弱监督测试样本集的故障模式。
-
Patent Agency Ranking
公开(公告)号：CN115660047A
公开(公告)日：2023-01-31
申请号：CN202211314880.0
申请日：2022-10-25
Applicant: 北京航空航天大学
IPC: G06N3/0464 , G06N3/047 , G06N3/088 , G06N3/048 , G06N3/09 , G06N3/094 , G06F18/214 , G06F18/241
Abstract: 本发明公开一种基于二项对抗表征学习的二值化故障特征自适应挖掘与诊断方法，所述方法包括：根据机械在各种健康状态下原始振动信号，得到在各种健康状态下的标准化振动信号及对应的真实健康状态标签；利用二项对抗样本、标准化振动信号及对应的真实健康状态标签，对二项表征编码器进行无监督对抗训练，得到已训练的二项表征编码器；通过将已训练的二项表征编码器与全连接分类网络串联，形成初始的机械故障诊断分类器，对所述初始的机械故障诊断分类器进行有监督微调，得到实用的机械故障诊断分类器，从而利用所述实用的机械故障诊断分类器，对待诊断机械进行故障诊断。
-
公开(公告)号：CN112734002B
公开(公告)日：2023-01-13
申请号：CN202011576950.0
申请日：2020-12-28
Applicant: 北京航空航天大学(CN)
Abstract: 本发明公开了一种基于数据层和模型层联合迁移学习的寿命预测方法，包括：将待预测的目标设备的少量已知退化数据作为目标域数据；通过距离相似性度量的方法，从历史数据库中筛选与目标设备退化曲线最为相似的历史样本设备的样本数据，作为数据层迁移的源域数据；利用所述目标域数据和所述源域数据，生成一条更接近目标设备的性能退化曲线；利用所述更接近目标设备的性能退化曲线和所述目标域数据训练寿命预测模型；将所述目标设备的待测数据输入到所述训练好的预测模型，对所述目标设备进行寿命预测。
-
公开(公告)号：CN112036083B
公开(公告)日：2023-01-13
申请号：CN202010883470.2
申请日：2020-08-28
Applicant: 北京航空航天大学(CN)
IPC: G06F30/27 , G01R31/367 , G01R31/392 , G01R31/396 , G06F119/04
Abstract: 本发明公开一种相似产品寿命预测方法和系统，涉及相似产品预测领域，本发明利用通过对待预测电池的短期测试样本数据以及其他配方电池的全寿测试容量数据库中处理后，获得目标样本数据和训练测试数据；然后在训练测试数据中截取与目标样本数据同样长度的数据进行可迁移样本挖掘，通过训练学习可迁移样本数据至目标样本数据的迁移关系，获得相似产品测试数据迁移与剩余寿命预测的神经网络模型；应用训练测试数据中剩余长度的数据在神经网络模型进行跨配方电池的剩余寿命预测，本发明方法预测精度可以达到99％以上，节约了分析电池配方性能的成本，实现了数据共享，具有很好的经济性和实用性。
-
公开(公告)号：CN109543317B
公开(公告)日：2022-11-01
申请号：CN201811429629.2
申请日：2018-11-28
Applicant: 北京航空航天大学
IPC: G06F30/27 , G06K9/62 , G06F119/12
Abstract: 本发明公开了一种PEMFC剩余使用寿命预测的方法及装置，涉及燃料电池剩余使用寿命预测技术领域，其方法包括：利用训练好的LSSVM预测模型对预测起始时间点之前的放电电压数据进行初步退化预测，得到所述预测起始时间点之后的放电电压初步预测数据；将所述基于LSSVM预测模型得到的放电电压初步预测数据作为观测值，送入训练好的RPF预测模型，并利用训练好的RPF预测模型对所述预测起始时间点之后的放电电压数据进行精准退化预测，得到所述PEMFC的预测寿命信息；根据所述PEMFC的预测寿命信息和所述预测起始时间点，得到PEMFC的剩余使用寿命信息。
-
公开(公告)号：CN113820123A
公开(公告)日：2021-12-21
申请号：CN202110947429.1
申请日：2021-08-18
Applicant: 北京航空航天大学
IPC: G01M13/021 , G01M13/028 , G06N3/04 , G06N3/08
Abstract: 基于一种基于改进CNN和选择性集成的齿轮箱故障诊断方法，首先，利用齿轮箱监测振动训练数据，通过Bagging算法对数据进行重采样，获得多个训练子集，并使用训练子集对改进的CNN模型进行训练，获得一组基学习机。第二，利用采集的齿轮检测振动验证数据，在各个基学习机上进行分类任务，获得每个基学习机的分类混淆矩阵并将其转换为一维向量，表征不同学习机的性能特点。将若干一维数据组成矩阵并将其归一化，作为聚类矩阵输入谱聚类算法，对基学习机进行聚类，选择距离聚类中心最近的基学习机作为后续的集成成员。第三，基于上述选择出的基学习机，对实时测试数据进行故障诊断，并采用DSmT理论对诊断结果进行集成，集成结果及为最终诊断结果，实现齿轮箱的故障诊断。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.032 seconds)
