-
公开(公告)号：CN120069835A
公开(公告)日：2025-05-30
申请号：CN202411281218.9
申请日：2024-09-13
Applicant: 华北电力大学
IPC: G06Q10/20 , G06Q50/40 , G06N5/022 , G06N5/04 , G06F16/31 , G06F16/36 , G06F16/901 , G06F16/353 , G06F16/3329
Abstract: 本发明提供了一种基于知识图谱的船舶动力系统设备故障智能辅助决策系统及方法，属于设备运维和工业智能技术领域。该方该在运维知识图谱的基础上，设计了智能推理、智能决策与智能问答模块，提高设备故障与检修策略匹配的准确性。步骤如下：基于船舶动力系统设备的检修规程、历史维修记录与专家经验，构建专家知识文本。对运维文本数据进行数据预处理，生成船舶动力系统设备运维方面的标注文本数据集。在此基础上，利用CaseRel训练初始模型，对运维文本进行实体识别和关系抽取，构建头实体‑关系‑尾实体三元组，生成船舶动力系统设备运维知识图谱。基于运维知识图谱，自定义推理规则并设计智能问答模块，将智能辅助决策建议展示在系统前端，完成船舶动力系统设备故障智能辅助决策系统开发。
-
公开(公告)号：CN120067791A
公开(公告)日：2025-05-30
申请号：CN202510114409.4
申请日：2025-01-24
Applicant: 华北电力大学
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06F18/10 , G06F18/22 , G01M15/14 , G06N3/0464 , G06N3/042 , G06N3/094
Abstract: 本发明公开了融合领域泛化机制和GCN的重型燃气轮机转子故障诊断方法，涉及故障诊断技术领域，包括以下步骤：采集振动数据进行预处理；生成样本数据，并对样本数据进行数据增强；将生成的增强样本结合对抗训练拓展目标域分布，并通过CNN模型进行特征提取；计算目标域分布样本的高斯相似性，使用交叉熵损失函数计算误差，优化图卷积神经网络模型参数；对整个模型进行训练，观察损失率是否趋于收敛。本发明采用上述融合领域泛化机制和GCN的重型燃气轮机转子故障诊断方法，通过多种不同大小卷积核增强了样本多样性，结合领域泛化机制生成跨域目标域分布，并使用高斯相似度和标签传播机制构建高效的图卷积神经网络，提高了小样本故障诊断的精度和鲁棒性。
-
公开(公告)号：CN119647715A
公开(公告)日：2025-03-18
申请号：CN202411811406.8
申请日：2024-12-10
Applicant: 国网山东省电力公司德州供电公司 , 华北电力大学
Inventor： 徐宁 , 崔凌潇 , 黄从智 , 戴娜娜 , 刘洋 , 王飞 , 赵金勇 , 范富岭 , 赵长华 , 刘鹏博 , 赵彦涛 , 姚圣平 , 张海涛 , 张凯 , 韩毅 , 刘娜 , 范明阳 , 魏杰
IPC: G06Q10/047 , G06Q10/083 , G06N3/126
Abstract: 本发明公开了一种基于NSGA‑II算法的集约仓储网络车辆路径众目标优化方法，属于车辆路径优化技术领域，包括首先需要构建众目标优化模型，包含运输成本、时间花费和路径长度等多个目标；接着，通过NSGA‑II算法进行种群初始化与选择，采用非支配排序和拥挤距离计算，以确保在众目标空间中寻找Pareto最优解；随后，利用交叉与变异操作提升解的多样性，从而加速算法的收敛过程；最后，不断迭代更新种群，以确保找到全局方案最优解；本发明提供的一种基于NSGA‑II算法的集约仓储网络车辆路径众目标优化方法，为集约仓储网络的车辆路径优化提供了一种有效的解决方案，能够支持决策者在复杂物流环境中做出更为合理的运输安排。
-
公开(公告)号：CN119439693A
公开(公告)日：2025-02-14
申请号：CN202411281342.5
申请日：2024-09-13
Applicant: 华北电力大学
IPC: G05B11/42
Abstract: 本发明公开一种融合误差自抗扰控制与改进双曲正弦余弦优化器的重型燃气轮机智能控制方法。重型燃气轮机具有监测参数众多、非线性强、耦合程度高的特征，该方法用于解决传统的PID控制策略在面对此类系统时控制效果不理想的问题。采集重型燃气轮机数据并进行预处理，基于变分贝叶斯辨识建立重型燃气轮机维纳模型，设计扩张状态观测器与误差自抗扰控制策略，并设计重型燃气轮机的多目标运行优化目标函数，然后使用改进双曲正弦余弦优化器求解重型燃气轮机控制器决策变量的最优解。本发明为重型燃气轮机智能控制方法提供了一种方案和思路。
-
公开(公告)号：CN118393399B
公开(公告)日：2024-11-26
申请号：CN202410506545.3
申请日：2024-04-25
Applicant: 华北电力大学
Abstract: 本发明涉及电力设备预警领域，尤其涉及一种火电机组设备故障智能预警方法，包括：获取火电机组电力输出特征参数和设备特征参数并分别进行存储；响应于所述输出电压的波动并基于所述设备特征参数构建机组运行评价值；基于所述机组运行评价值初步判定机组的运行是否符合预设标准；基于预设时长内波动事件频次和级别占比判定机组是否存在故障并发出对应的预警。本发明提高了火电机组设备故障智能预警的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118551833A
公开(公告)日：2024-08-27
申请号：CN202410432659.8
申请日：2024-04-10
Applicant: 华北电力大学
IPC: G06N5/022 , G06N3/0455 , G06N3/042 , G06N3/09 , G06N3/088 , G06F18/214 , G06F18/2415 , G06F18/2431 , G06Q10/20 , G06Q50/06
Abstract: 本发明提供了一种基于对比示例学习框架的发电机组典型设备运维知识智能提取方法，属于设备运维和人工智能技术领域。该方法用于提高实体与关系匹配的准确性，有效提升实体和关系抽取速率。步骤如下：结合发电机组典型设备大规模运维文本，在此基础上采用数据增强策略，生成对比学习所需的不同特性文本，主要包括正样本和负样本两方面。采用PRGC中的Bert编码器，从生成的正样本和负样本中提取文本特征向量。在此基础上，结合PRGC框架(Potential Relation and Global Correspondence Based Joint Relational Triple Extraction)与对比学习，将运维文本的特征映射至对比损失空间，构建发电机组典型设备运维知识提取模型。基于CL‑PRGC模型，设置对比损失函数与三重提取损失函数，结合远程监督学习和无监督学习的手段来训练模型，采用正样本训练发电机组典型设备运维知识提取模型，使其学习正样本中蕴含的特征向量，并将负样本数据分离至潜在空间。最后，利用该模型对发电机组典型设备运维知识进行实体‑关系联合抽取，得到运维知识中包含的实体对与相对应的关系。
-
公开(公告)号：CN118445422A
公开(公告)日：2024-08-06
申请号：CN202410432915.3
申请日：2024-04-10
Applicant: 华北电力大学
IPC: G06F16/36 , G06F18/214 , G06N3/0895 , G06Q10/20 , G06Q50/06
Abstract: 本发明提供了一种基于半监督实体关系联合抽取的发电机组设备运维知识图谱构建方法，属于设备运维和工业智能技术领域。该方法用于提高设备故障与检修策略匹配的准确性，有效提升构建关联的速率，加快知识图谱的构建速度。步骤如下：根据发电机组运维设备和领域，构建本体模型。基于运维文本数据，利用标注平台对文本数据进行标注，生成发电机组设备运维方面的标注文本数据集。在此基础上，利用PRGC框架训练初始模型，结合无标注运维文本，生成相应实体和关系伪标签，将该数据集输入至模型，融合半监督损失函数调度机制，训练得到发电机组运维实体关系抽取模型。最后，根据本体模型和实体关系联合抽取模型，生成发电机组设备运维知识图谱。
-
公开(公告)号：CN118393399A
公开(公告)日：2024-07-26
申请号：CN202410506545.3
申请日：2024-04-25
Applicant: 华北电力大学
Abstract: 本发明涉及电力设备预警领域，尤其涉及一种火电机组设备故障智能预警方法，包括：获取火电机组电力输出特征参数和设备特征参数并分别进行存储；响应于所述输出电压的波动并基于所述设备特征参数构建机组运行评价值；基于所述机组运行评价值初步判定机组的运行是否符合预设标准；基于预设时长内波动事件频次和级别占比判定机组是否存在故障并发出对应的预警。本发明提高了火电机组设备故障智能预警的准确性。
-
公开(公告)号：CN118194191A
公开(公告)日：2024-06-14
申请号：CN202410294745.7
申请日：2024-03-14
Applicant: 华北电力大学
IPC: G06F18/2433 , G06F18/20 , G06N20/20 , G06N3/0499 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/0985 , G06N3/006 , G06Q50/06 , G06F123/02
Abstract: 本发明公开了一种融合Stacking集成学习和浣熊优化算法的磨煤机故障智能预判方法，首先采集实际磨煤机在运行过程中产生的大量历史运行状态参数数据，并对历史运行状态参数数据进行动态时间扭曲相关性分析，挑选出相关性强的参数数据作为Stacking集成学习模型的输入，针对磨煤机运行过程中的状态参数时间序列数据训练Stacking集成学习的基学习器，采用浣熊算法优化网络超参数，将状态参数的监测数据和诊断结果分别作为输入和输出，将元学习器的输出与实际值之间的残差序列传递至核密度估计模型中，对磨煤机运行故障状态进行智能预判。本发明通过充分挖掘磨煤机运行状态的历史数据有效信息，基于数据驱动的方法建立深度学习模型，对关键运行参数进行有效预测，从而实现对磨煤机的故障状态智能预判。
-
公开(公告)号：CN118133899A
公开(公告)日：2024-06-04
申请号：CN202410447128.6
申请日：2024-04-15
Applicant: 华北电力大学
IPC: G06N3/0464 , G06N3/08 , G06Q10/04 , G06Q10/067 , G06Q50/06 , G06F18/25
Abstract: 本申请公开了一种基于综合评价指标的区域风电场功率预测模型训练方法、装置、设备及介质。本申请中获取训练样本数据，用于构建时空特征融合区域风电场功率预测模型，具体而言，将多个风电场构建为图网络，通过多种方式构建图网络的邻接矩阵，并融合为一个综合邻接矩阵；构建时空特征融合模块，并将时空特征融合模块提取的特征输入Transformer网络中；利用样本数据训练区域风电场功率预测模型；最后结合综合评价指标对模型参数进行微调，得到最终区域风电场功率预测模型。本申请实现了区域风电场之间空间关系的充分表征，避免了时空特征分离提取，实现时空特征的融合，利于序列模型的学习，提升了功率预测准确性。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.024 seconds)
