-
公开(公告)号：CN115901213A
公开(公告)日：2023-04-04
申请号：CN202211412595.2
申请日：2022-11-11
Applicant: 哈尔滨工业大学
Abstract: 一种旋转机械设备小样本数据生成及故障诊断方法，属于旋转机械故障诊断技术领域。本发明针对旋转机械设备故障诊断中，现有方法在极少样本条件下生成的小样本数据缺乏多样性以及难以和原始样本共享类别信息的问题。包括：对同一故障类别的k个故障样本，采用经验模态分解提取每个故障样本的一系列本征模态；选择基样本并确定参考样本集；将待变异局部基因与由每个参考样本的本征模态中匹配出的与待变异局部基因最相似的局部本征模态进行局部融合，得到变异后局部本征模态；将基样本中除选取的一个局部本征模态外所有其它局部本征模态组成的集合与变异后局部本征模态进行经验模态重构，生成故障新样本。本发明用于小样本数据生成及设备故障诊断。
-
公开(公告)号：CN115618613A
公开(公告)日：2023-01-17
申请号：CN202211294744.X
申请日：2022-10-21
Applicant: 哈尔滨工业大学
IPC: G06F30/20 , G06N3/08 , G06N3/0442
Abstract: 本发明提出的一种基于双深度残差LSTM的复杂装备剩余寿命的预测方法及系统，包括：获取历史复杂装备的多维时序监控数据和性能衰退HI曲线；利用训练后的第一深度残差LSTM模型对待测复杂装备的多维时序监控数据进行性能衰退起始点检测，获得所述待测复杂装备是否进入衰退期：若否，则结束检测；若是，获取待测复杂装备的性能衰退起始点，并利用训练后的第二深度残差LSTM模型对所述待测复杂装备的多维时序监控数据进行预测，获得所述待测复杂装备的预测剩余寿命。本申请在保留传统LSTM网络时序数据处理能力的同时，有效解决深层LSTM训练困难和性能退化问题，并能够对复杂装备性能衰退起始点的检测和进入衰退期后的剩余寿命快速准确预测。
-
公开(公告)号：CN115510967A
公开(公告)日：2022-12-23
申请号：CN202211164149.4
申请日：2022-09-23
Applicant: 哈尔滨工业大学
Abstract: 本申请提供了一种基于重构相似性的复杂装备不均衡异常检测方法，通过CAE‑SIAMESE模型，实现了样本不均衡条件下的航空发动机异常进行检测；CAE‑SIAMESE模型包括卷积自编码器和孪生神经网络；卷积自编码器，用于表征学习；孪生神经网络，用于度量样本重构相似性。本申请诊断精度高并且抗噪能力强；引入重构相似性学习机制使得CAE‑SIAMESE获取的正常样本的重构相似性更大而异常样本的重构相似性更小，更有利于正常与异常的诊断；网络中的卷积层更能捕获多维监控数据中的复杂关系，更能表征原始样本的特点；孪生神经网络在度量相似性时可以抵抗噪声的影响，有效解决发动机监控数据存在噪声问题。
-
公开(公告)号：CN115457551A
公开(公告)日：2022-12-09
申请号：CN202210918858.0
申请日：2022-07-31
Applicant: 哈尔滨工业大学(威海)
IPC: G06V20/70 , G06V10/82 , G06V10/25 , G06V10/26 , G06V10/52 , G06V10/764 , G06V10/774 , G06V10/80 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种适用于小样本条件的叶片损伤识别方法，提出了基于Mask R‑CNN的分层混合检测网络结构组成、损失函数分析、训练以及预测流程。针对尺寸较小、出现频率较低、容易被忽略的对象(即损伤)，采取低IoU阈值分类与高IoU阈值目标分割训练，低置信度分类与高置信度目标分割混合识别策略，以获得更全面的检测结果。采取通过图像处理办法扩充样本数据集、输入端数据增强、引用COCO预训练权重、迁移学习等方法提高了损伤图像小样本训练的收敛速度和准确度。
-
公开(公告)号：CN115130718A
公开(公告)日：2022-09-30
申请号：CN202210387092.8
申请日：2022-04-12
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明涉及复杂装备维修技术领域，具体的说一种能够保证复杂装备运行稳定可靠的前提下，有效降低维修总成本的两台复杂装备同时送修时部件交换优化方法，其特征在于，首先，建立单台复杂装备机会维修模型；其次，构建快速求解单台复杂装备机会维修问题的算法；最后，分别求解两台复杂装备的机会维修问题，并制定评价标准；本发明提出算法能够在较短时间内获得复杂装备的单元体与寿命件交换方案，且获得的单元体与寿命件交换方案能够减小两台复杂装备维修产生的单元体与寿命件寿命损失；同时提出的算法也能适用于较大规模的两台复杂装备单元体与寿命件交换问题。
-
Patent Agency Ranking
公开(公告)号：CN114595558A
公开(公告)日：2022-06-07
申请号：CN202210102484.5
申请日：2022-01-27
Applicant: 哈尔滨工业大学(威海)
IPC: G06F30/20 , H01Q21/00 , G06F113/16
Abstract: 本申请提供了一种基于误差分析的雷达天线装配过程优化方法，包括电性能与天线单元误差关联分析和采用误差分析对装配过程进行优化。本申请提供的基于误差分析的雷达天线装配过程优化方法，经过优化后的排序降低了位置误差的影响，接近理想位置的电场值。
-
公开(公告)号：CN111275328B
公开(公告)日：2022-02-22
申请号：CN202010061793.3
申请日：2020-01-19
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明公开了一种基于综合灰关联序模型的RNGRU位标器零部件选配方法，该方法包括以下步骤：Ⅰ、综合灰关联序模型构建；Ⅱ、基于综合灰关联序模型对位标器装配参数进行关联分析，找出的陀螺转子与调漂螺钉选配的关键装配参数；Ⅲ、构建RNGRU选配预测模型，以关键装配参数作为RNGRU的输入，调漂螺钉的质量作为输出，进行调漂螺钉质量回归预测，完成陀螺转子与调漂螺钉的选配。本发明所公开的方法，实现陀螺转子与调漂螺钉的精准选配，提高了位标器零部件装配成功率，可减少无效装配，避免反复装拆调整，有效提高装配效率与降低装配成本。
-
公开(公告)号：CN108153982B
公开(公告)日：2021-07-06
申请号：CN201711436067.X
申请日：2017-12-26
Applicant: 哈尔滨工业大学
Abstract: 基于堆叠自编码深度学习网络的航空发动机修后性能预测方法，本发明涉及航空发动机修后性能预测方法。本发明为了解决现有技术进行航空发动机修后性能预测误差较大的缺点。本发明包括：一：得到送修前性能参数特征向量矩阵和单元体维修深度特征向量矩阵；二：将送修前性能参数特征向量和单元体维修深度特征向量进行合并，得到修后性能特征向量；三：利用修后性能特征向量和每个维修案例对应的修后性能参数序列，采用BP神经网络建立航空发动机修后性能预测模型；四：将建立的航空发动机修后性能预测模型采用粒子群优化算法进行c、d、h的优化，得到最优航空发动机修后性能预测模型。本发明用于发动机的维修维护领域。
-
公开(公告)号：CN108170945B
公开(公告)日：2021-07-02
申请号：CN201711436066.5
申请日：2017-12-26
Applicant: 哈尔滨工业大学
Abstract: 一种航空发动机修后排气温度裕度预测方法，本发明涉及航空发动机修后排气温度裕度预测方法。本发明为了解决现有技术航空发动机修后排气温度裕度预测误差较大的的缺点。本发明包括：一：采用五次多项式拟合对航空发动机送修前性能参数序列进行特征提取，得到送修前性能参数特征向量矩阵；二：采用堆叠自编码深度学习网络对航空发动机单元体维修深度进行特征提取，得到单元体维修深度特征向量矩阵；三：将送修前性能参数特征向量和单元体维修深度特征向量进行合并，得到修后性能特征向量；四：利用修后性能特征向量和每个维修案例对应的修后性能参数序列，采用BP神经网络建立航空发动机修后性能预测模型；本发明用于发动机的维修维护领域。
-
公开(公告)号：CN106919759B
公开(公告)日：2020-06-09
申请号：CN201710127047.8
申请日：2017-03-03
Applicant: 哈尔滨工业大学
IPC: G06F30/17
Abstract: 基于拟合灵敏度的航空发动机性能的广义近似建模方法及模型应用，本发明涉及航空发动机性能的广义近似建模方法及模型应用。本发明为了解决现有模型中出现的过拟合和欠拟合的问题。本发明步骤为：一：建立基于拟合灵敏度的航空发动机性能的广义近似模型；二：对建立的基于拟合灵敏度的航空发动机性能的广义近似模型的参数求解；步骤二一：设置p的取值；步骤二二：设置抑制过度欠拟合的调整系数ε；步骤二三：设置基于拟合灵敏度的航空发动机性能的广义近似模型对xk的整体压缩系数a和|xk‑yk|对xk的压缩系数b；步骤二四：根据步骤二一至步骤二三设置积分偏移量c1。本发明用于航空发动机运行、维护及安全工程领域。
-
-
-
-
-
-
-
-
-
Search Results
145
records
(took 0.092 seconds)
