-
公开(公告)号：CN115310189A
公开(公告)日：2022-11-08
申请号：CN202110500076.0
申请日：2021-05-08
Applicant: 哈尔滨工业大学(威海)
IPC: G06F30/15 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/08
Abstract: 本发明涉及一种迁移过程神经网络预测发动机清洗后排气温度的方法，设有TPNN模型，TPNN包括变量与EGTM的映射方法以及变量之间的映射方法，其特征在于，对于数据参数与EGTM的映射方法，采用线性拟合的方式，建立所有变量与EGTM数据对应关系，实现正向和逆向求解，其中将水洗前数据进行了线性拟合，取线性函数的ti处值作为VBW，提前水洗时间CSN和水洗周期ΔCSN；将水洗后数据进行了线性拟合，取线性函数的ti处值与VBW的差值作为INC，取线性函数的斜率为DR；利用迁移过程神经网络作为水洗前后变量的映射模型，模型采用迁移技术从同类型发动机的数据中学习到初始框架，迁移到目标发动机数据中进行训练。
-
公开(公告)号：CN112308038B
公开(公告)日：2022-09-27
申请号：CN202011340437.1
申请日：2020-11-25
Applicant: 哈尔滨工业大学
Abstract: 基于课堂式生成对抗网络模型的机械设备故障信号识别方法，涉及机故障信号识别领域。本发明是为了解决现有的机械设备故障信号识别方法准确率不高的问题。本发明所述的包含一个生成器和多个判别器的基于课堂式生成对抗网络模型识别机械设备故障信号的方法包括：获取机械设备正常振动信号和机械设备故障振动信号；将获取的机械设备信号划分为测试集和训练集；设置课堂式生成对抗网络结构参数；获取一个批量的样本；计算生成能力的提升值；计算每个生成器对判别器损失函数值影响权重；计算判别器的损失函数；计算生成器的损失函数；测试判别器的准确性；将机械设备振动信号输入准确率最高的分类模型得到识别结果。
-
公开(公告)号：CN107944623B
公开(公告)日：2021-08-31
申请号：CN201711175073.4
申请日：2017-11-22
Applicant: 哈尔滨工业大学
Abstract: 一种基于酵母菌出芽繁殖的优化方法及其应用，本发明涉及机队保有率优化方法，为了解决现有技术当机队保有率优化模型最优解不唯一时，无法获得最优的机队保有率的问题。本发明将培养基视为优化问题连续型解的区域约束；接种酵母菌过程视为初始解生成过程；酵母菌在培养基上的出芽繁殖视为解的优化过程：繁殖出的酵母菌落入培养基内为优解，可存活并可继续繁殖；否则则为劣解，不能存活也不可能继续繁殖。考虑到优化问题的连续型最优解可能是分段连续或者初始解落入到非培养基的情况，让处于非培养基中的劣解可以寻找并迁移到最优繁殖区域进行繁殖。繁殖出的优解集合所覆盖的区域就是优化问题的连续型最优解。本发明用于飞机维修管理领域。
-
公开(公告)号：CN107730014B
公开(公告)日：2021-07-13
申请号：CN201710993647.2
申请日：2017-10-23
Applicant: 哈尔滨工业大学
Abstract: 一种基于CBM的机队维修决策方法，本发明涉及基于CBM的机队维修决策方法。本发明为了解决现有方法是针对民用航空发动机和非结构件，单机保有率达不到训练要求，及没有考虑机队的维修成本的问题。本发明包括：一：进行飞机疲劳结构的剩余寿命预测，得到疲劳结构的剩余寿命；二：根据得到的疲劳结构的剩余寿命，建立单机维修成本决策优化模型；三：根据步骤二建立的单机维修成本决策优化模型，建立机队的维修成本决策优化模型；四：建立机队保有率优化模型；五：根据步骤三和步骤四建立机队的多目标优化决策模型，根据多目标优化决策模型采用非支配排序的多目标优化算法方法确定机队各飞机疲劳结构的最优维修方案。本发明用于机队维修领域。
-
公开(公告)号：CN107577902B
公开(公告)日：2020-11-13
申请号：CN201710995498.3
申请日：2017-10-23
Applicant: 哈尔滨工业大学
IPC: G06F30/20 , G06F119/04 , G06F119/02
Abstract: 一种基于UKF的飞机疲劳结构剩余寿命预测方法，本发明涉及基于UKF的飞机疲劳结构剩余寿命预测方法。本发明为了解决现有方法飞机疲劳结构剩余寿命低的缺点。本发明包括：步骤一：基于Paris疲劳裂纹扩展公式，建立状态空间评估模型；步骤二：对步骤一建立的状态空间评估模型利用无迹卡尔曼滤波算法进行滤波，得到准确的状态参数向量xk；步骤三：利用步骤二得到的准确的状态参数向量xk，进行结构的裂纹扩展剩余寿命预测。通过对比实验可知，本发明算法的预测结果优于EKF算法，且预测得到的RUL绝对相对误差小于10％。本发明应用于飞机疲劳结构剩余寿命预测领域。
-
Patent Agency Ranking
公开(公告)号：CN109558873A
公开(公告)日：2019-04-02
申请号：CN201811467778.8
申请日：2018-12-03
Applicant: 哈尔滨工业大学
Abstract: 一种基于变样本栈式自编码网络的模式识别方法，属于大数据模式识别领域。现有的模式识别方法在数据维度逐渐增高时，会出现模式识别精度和效率下降问题的问题。一种基于变样本栈式自编码网络的模式识别方法，一、通过变样本栈式自编码网络滤除高维空间样本中噪声，映射成低维空间去噪样本集合；二、利用步骤一获得的低维空间去噪样本集合对样本训练分类器进行训练，得到低维空间去噪样本集合中的典型样本集合；三、基于步骤二获得的典型样本集合，采用逆映射到高维空间获得高维空间典型样本集合，并利用待测试样本与高维空间典型样本集合的相似度识别方法进行模式识别，完成待测试样本的类别判定。本发明与其它算法进行对比，提高了分类准确率。
-
公开(公告)号：CN107886126A
公开(公告)日：2018-04-06
申请号：CN201711102389.0
申请日：2017-11-10
Applicant: 哈尔滨工业大学(威海)
CPC classification number: G06K9/6256 , G06K9/6271 , G06K9/6276 , G06N3/0481 , G06N3/08
Abstract: 本发明涉及一种基于动态集成算法的航空发动机气路参数预测方法及系统，其中方法包括：基于迭代算法对训练样本集进行学习得到基学习机，并使用基学习机对测试样本集进行预测，得到每个基学习机的预测结果；在所述训练样本集中选择测试样本的近邻样本，评估每个基学习机在近邻样本的局部性能动态确定每个基学习机的权值；基于所述每个基学习机的权值，利用加权核密度估计将每个基学习机的预测结果集成得到最终预测结果。本发明通过量化评估各学习机的局部性能，提出了动态加权核密度估计组合方法，可用于对航空发动机气路参数序列的预测任务中，不受离群值和样本不对称分布的影响，实验结果表明能够有效提高集成学习算法的预测精度。
-
公开(公告)号：CN116401596A
公开(公告)日：2023-07-07
申请号：CN202310671391.9
申请日：2023-06-08
Applicant: 哈尔滨工业大学(威海)
IPC: G06F18/241 , G06F18/10 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/048 , G06N3/082 , G06N3/084 , G06N3/0985
Abstract: 本申请属于故障诊断技术领域，具体为一种基于深度指数激励网络的早期故障诊断方法，包括以下步骤：开始；数据预处理；微弱故障信息自适应放大；网络权重优化；早期故障诊断；结束。本申请解决早期故障特征微弱、易被噪声淹没造成诊断精度不高的问题，通过提供更强的注意力关注重要的信息来提高早期故障诊断准确率；与传统注意力机制相比，优势体现在两个方面，一是提供更大的权重，二是提供更宽的权重取值范围，有利于放大重要的信息。同时，该方法可以端到端地进行训练，并且指数激励注意力权重能够自适应设置；不仅可用于机械设备故障诊断领域，还可用于其它可能含噪声的模式识别任务。
-
公开(公告)号：CN116028865A
公开(公告)日：2023-04-28
申请号：CN202310018871.5
申请日：2023-01-06
Applicant: 哈尔滨工业大学
IPC: G06F18/241 , G06F18/214 , G06N20/00 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 一种基于特征扩增的航空发动机故障诊断方法，属于航空发动机故障诊断技术领域。本发明针对航空发动机故障信号特征的显著性逐渐降低，难以充分提取发动机实际运维数据中的有用信息，进而影响故障诊断正确率的问题。包括对原始样本进行高维特征扩增，得到特征扩增后样本；再进行归一化处理，再由归一化后样本构造训练样本集；将训练样本集中的正常状态样本和故障样本分别设置不同标签；采用训练样本集对故障诊断网络进行训练，当达到预设迭代次数后，得到训练后故障诊断网络；采集航空发动机的运行数据，处理后得到归一化后待诊断数据；将归一化后待诊断数据输入训练后故障诊断网络，得到航空发动机故障诊断结果。本发明用于航空发动机故障诊断。
-
公开(公告)号：CN114742165B
公开(公告)日：2023-04-18
申请号：CN202210396198.4
申请日：2022-04-15
Applicant: 哈尔滨工业大学
IPC: G06F18/214 , G06F18/213 , G06F18/241 , G06N3/04 , G06N3/08
Abstract: 一种基于深度自编码器的航空发动机气路性能异常检测系统，属于航空发动机性能检测技术领域。本发明为解决现有航空发动机气路异常的检测手段落后，检测结果准确性差的问题。包括：深度自编码器模块，包括气路异常分数计算模块和基于迁移学习的深度特征提取模块AE3；其中气路异常分数计算模块包括编码器一、解码器一和解码器二；其中编码器一与解码器一组成深度自编码器AE1，编码器一与解码器二组成深度自编码器AE2；深度特征提取模块AE3包括编码器二和解码器三；训练后深度自编码器模块用于对输入检测数据进行处理，处理结果采用随机森林分类器进行异常判断。本发明用于航空发动机气路性能异常检测。
-
-
-
-
-
-
-
-
-
Search Results
102
records
(took 0.033 seconds)
