-
公开(公告)号：CN116068999B
公开(公告)日：2024-11-12
申请号：CN202310117874.4
申请日：2023-02-15
Applicant: 哈尔滨工业大学
IPC: G05B23/02
Abstract: 变工况运行的过程控制系统中虚假数据注入攻击检测方法及设备，属于工业信息物理系统和工业控制系统的攻击检测技术领域。为了解决现有的变工况运行的过程控制异步切换系统中存在因工况改变和模态不匹配导致误报高的问题。本发明首先建立被控切换系统的模型及状态空间模型，构建各个匹配模态下的观测器和各个不匹配模态下的观测器；基于各个模态下的无攻击时的离线数据驱动被控系统与观测器的离线数据，生成残差数据，并确定攻击检测报警的阈值；然后根据被控系统的模态切换信号与观测器的切换信号来确定对应采用匹配模态下的观测器或不匹配模态下的观测器生成在线残差信号，并根据攻击检测报警的阈值进行检测。
-
公开(公告)号：CN115356924B
公开(公告)日：2023-06-20
申请号：CN202210951342.6
申请日：2022-08-09
Applicant: 哈尔滨工业大学
IPC: G05B13/04
Abstract: 一种针对大型互联系统的数据驱动分布式优化控制方法，本发明涉及数据驱动的分布式优化控制方法。本发明目的是为了解决大多现有的数据驱动优化控制方法都是集中式设计，需要将所有有用信息传输传中央计算节点，尤其是当优化控制器需要在线配置实时调整时，给集中式设计方法带来了巨大的计算和通讯负担的问题。过程为：一、构建制造系统及制造子系统的模型，并为制造子系统设计控制器；二、对每个制造子系统设计残差产生器；三、设计制造子系统残差驱动的优化控制器，构建分布式控制器状态空间表达式，获取优化控制器系统参数；四、对优化控制器系统参数进行分布式控制器参数迭代优化，得到分布式优化控制器参数。本发明用于容错控制领域。
-
公开(公告)号：CN114779088B
公开(公告)日：2023-05-12
申请号：CN202210415333.5
申请日：2022-04-20
Applicant: 哈尔滨工业大学
IPC: G01R31/367 , G01R31/392
Abstract: 基于最大期望‑无迹粒子滤波的电池剩余使用寿命预测方法，本发明涉及电池剩余使用寿命预测方法。本发明的目的是为了解决现有电池容量突然的增加将对电池的剩余使用寿命预测产生很大的误差的问题。过程为：1、提取第k次工作过程中的电池容量数据；2、构建基于无迹粒子滤波的动态电池退化模型；3、采用基于最大期望算法自适应地估计电池退化模型中的过程噪声和测量噪声；过程噪声和测量噪声用于第k+1次工作过程中，构建基于无迹粒子滤波的动态电池退化模型；4、判断第k次工作过程是否发生容量再生现象；5、求解电池剩余使用寿命和电池容量的置信区间；本发明用于电池的剩余使用寿命预测领域。
-
公开(公告)号：CN116009395A
公开(公告)日：2023-04-25
申请号：CN202211528764.9
申请日：2022-11-30
Applicant: 哈尔滨工业大学
IPC: G05B13/04
Abstract: 一种非合作博弈中多智能体系统容错控制方法，本发明涉及非合作博弈中多智能体系统容错控制方法。本发明目的是为了解决现有非合作博弈纳什均衡博弈控制不具有普遍性的缺陷，以及当任何一个智能体发生故障时，其余智能体的策略将受到故障的影响，导致策略收敛到错误的纳什均衡的问题。过程为：步骤一：建立多智能体系统整体状态空间模型；步骤二：建立多智能体通信拓扑模型，得到邻接矩阵和拉普拉斯矩阵；步骤三：设定每一个智能体的收益函数；步骤四：设计每个智能体的分布式控制器；步骤五：设计每个智能体的观测器；步骤六：设计每个智能体的容错补偿控制器。本发明用于故障诊断与容错控制领域。
-
公开(公告)号：CN115456272A
公开(公告)日：2022-12-09
申请号：CN202211085781.X
申请日：2022-09-06
Applicant: 哈尔滨工业大学
IPC: G06Q10/04 , G06Q10/00 , G06F30/27 , G06N3/04 , G06N3/08 , G06F111/08 , G06F111/04
Abstract: 基于变分局部加权子域自适应网络的剩余使用寿命预测方法，本发明涉及剩余使用寿命预测方法。本发明的目的是为了解决迁移学习中全局域自适应方法中子域之间细粒度特征混淆所导致的剩余使用寿命预测准确率降低的问题。过程为：一、数据预处理，获得训练数据集和验证数据集；二、搭建变分局部加权子域自适应网络；三、基于训练集训练变分局部加权子域自适应网络，得到训练好的变分局部加权子域自适应网络；四、在线预测目标域数据，对目标域数据进行步骤一的数据预处理，将预处理后的目标域数据输入训练好的变分局部加权子域自适应网络，输出剩余使用寿命。本发明用于人工智能技术与工业背景下的故障预测相结合的学科交叉领域。
-
Patent Agency Ranking
公开(公告)号：CN113341721B
公开(公告)日：2021-12-03
申请号：CN202110673407.0
申请日：2021-06-17
Applicant: 哈尔滨工业大学
IPC: G05B13/04
Abstract: 面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法，它属于工业过程的数据驱动故障诊断领域。本发明是为解决现有方法无法对含有未知扰动信号的系统进行准确的故障诊断的问题。本发明的故障诊断方法不依赖于工业系统模型，仅利用采集到的系统数据即可进行故障的诊断；且本发明方法对未知扰动具有强鲁棒性，在计算方面负担小，易于在线实现；本发明研究了含有未知扰动的子空间辨识问题，通过将过程数据投影到不同的子空间中辨识闭环数据驱动稳定核表示，获得对未知扰动鲁棒的残差，从而实现更好的故障诊断。本发明可以应用于对复杂工业系统进行故障诊断。
-
公开(公告)号：CN113341721A
公开(公告)日：2021-09-03
申请号：CN202110673407.0
申请日：2021-06-17
Applicant: 哈尔滨工业大学
IPC: G05B13/04
Abstract: 面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法，它属于工业过程的数据驱动故障诊断领域。本发明是为解决现有方法无法对含有未知扰动信号的系统进行准确的故障诊断的问题。本发明的故障诊断方法不依赖于工业系统模型，仅利用采集到的系统数据即可进行故障的诊断；且本发明方法对未知扰动具有强鲁棒性，在计算方面负担小，易于在线实现；本发明研究了含有未知扰动的子空间辨识问题，通过将过程数据投影到不同的子空间中辨识闭环数据驱动稳定核表示，获得对未知扰动鲁棒的残差，从而实现更好的故障诊断。本发明可以应用于对复杂工业系统进行故障诊断。
-
公开(公告)号：CN111158351B
公开(公告)日：2021-06-01
申请号：CN202010059726.8
申请日：2020-01-19
Applicant: 哈尔滨工业大学
IPC: G05B23/02
Abstract: 一种数据驱动的故障诊断与最优控制系统一体化设计方法，属于工业过程监测、故障诊断和控制领域。本发明针对现有生产过程的故障诊断和控制存在设置冗余，不能及时共享重要及具有时效性信息的问题。包括：采用镇定控制器对实际工业生产系统进行控制，获得补充控制信号及增加前馈控制器进一步参与到对所述实际工业生产系统的控制中；采集实际工业生产系统的输出信号与预设的输出预期信号作差获得输出误差，镇定控制器对输出误差进行处理获得主控制信号；采用前馈控制器对输出预期信号进行处理获得辅助控制信号；主控制信号与辅助控制信号及补充控制信号相加后获得输入信号输入到实际工业生产系统中。本发明确保了数据在整个系统中的及时性及时效性。
-
公开(公告)号：CN111488912B
公开(公告)日：2020-12-11
申请号：CN202010183501.3
申请日：2020-03-16
Applicant: 哈尔滨工业大学
Abstract: 一种基于深度学习神经网络的喉部疾病诊断系统，它属于人工智能与医疗诊断相结合的学科交叉领域。本发明解决了传统方法对喉镜图像的诊断效率以及诊断准确率低的问题。本发明搭建了喉部疾病诊断网络模型，搭建的喉部疾病诊断网络模型可以用于喉部疾病诊断的智能系统，从而更好地对喉镜图像进行诊断，帮助医生提升疾病的诊断效率和诊断准确率，降低漏诊和误诊率。本发明可以应用于喉镜图像的智能化检测。
-
公开(公告)号：CN111598894A
公开(公告)日：2020-08-28
申请号：CN202010309418.6
申请日：2020-04-17
Applicant: 哈尔滨工业大学
Abstract: 基于全局信息卷积神经网络的视网膜血管图像分割系统。本发明涉及视网膜血管图像分割系统，本发明为了解决现有卷积神经网络视网膜血管图像分割中全局信息利用有限、重要特征易丢失的问题。本发明所述系统包括：图像处理主模块、神经网络主模块、训练主模块和检测主模块；所述图像处理主模块用于采集原始视网膜图像，对采集的原始视网膜图像进行预处理，将处理后的图像输入训练主模块和检测主模块；所述神经网络主模块用于建立能够提取全局信息并强化特征的卷积神经网络；所述训练主模块用于初始化网络参数，获得训练好的卷积神经网络模型；所述检测主模块用于利用训练好的模型进行测试，计算模型性能指标。本发明属于视网膜血管图像分割系统领域。
-
-
-
-
-
-
-
-
-
Search Results
73
records
(took 0.047 seconds)
