公开(公告)号：CN118820749A

公开(公告)日：2024-10-22

申请号：CN202410943180.0

申请日：2024-07-15

Applicant: 上海交通大学

Inventor： 潘欣雨 ,  王迪 ,  潘尔顺 ,  李艳婷

IPC: G06F18/213 ,  G06F18/22 ,  G06N3/094 ,  G06N3/048 ,  G06N3/088

Abstract: 本发明涉及一种基于分支对抗网络的多元数据融合及失效模式识别方法，包括以下步骤：获取历史飞机发动机的传感器信号数据、失效模式标签以及总运行时间并进行数据预处理，构建数据集；将预处理后的数据集载入构建的多分支深度学习模型，利用对抗训练机制进行模型训练，所述多分支深度学习模型用于构建特异于失效模式的HI，每一个分支层针对一种失效模式的HI构建；获取在役发动机的传感器信号数据，输入训练完成的多分支深度学习模型，得到对应不同失效模式的候选HI，提取各个候选HI的特征，基于所提取的特征进行失效模式识别，进而实现RUL预测。与现有技术相比，本发明具有能够对不同退化模式进行准确描述、可解释性和灵活性好等优点。

公开(公告)号：CN114818116B

公开(公告)日：2024-09-24

申请号：CN202210334726.3

申请日：2022-03-31

Applicant: 上海交通大学

Inventor： 王迪 ,  王昱晖 ,  王秋歌 ,  孟圆

IPC: G06F30/15 ,  G06F30/27 ,  G06F119/02

Abstract: 本发明涉及一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，包括以下步骤：获取飞机发动机的传感器信号，根据工程中的经验失效模型和特征提取方法，从所述传感器信号中提取飞机发动机的失效特征，将该失效特征载入预先建立并训练好的深度学习网络的联合学习模型中，获取不同失效模式的概率和基于不同失效模式的剩余寿命分布，得到最终的失效模式识别结果和剩余寿命预测结果。与现有技术相比，本发明具有模型的准确性较高，大大减少了计算时间，可以巧妙地捕捉剩余寿命与失效模式之间的复杂关系等优点。

公开(公告)号：CN118035659A

公开(公告)日：2024-05-14

申请号：CN202410094371.4

申请日：2024-01-23

Applicant: 上海交通大学

Inventor： 王迪 ,  安钰 ,  汪颖 ,  王泽栋

IPC: G06F18/15 ,  G06F18/213 ,  G06F18/2433 ,  G06F17/18

Abstract: 本发明涉及一种时空耦合数据的非参数监控和自适应采样方法，包括：获取传感器数据流；基于NW估计器增强时空域中不可观测的数据流，并通过0‑1随机投影将高维空间分解为多个子空间实现数据降维；将每一时刻的每个子空间的数据流进行去时空相关性变换后，构建非参数的空间排名统计量；结合所有子空间的局部统计量作为全局统计量，构建用于决策的控制图，并基于控制图中预设的控制限，判断数据流是否异常，若存在异常则触发警报，否则，构建概率质量函数，并采用汤普森采样算法进行传感器动态自适应选择。与现有技术相比，本发明实现了部分观测下时空耦合数据的监控，具有不受参数模型的限制、不依赖特定分布等优点。

公开(公告)号：CN117494560A

公开(公告)日：2024-02-02

申请号：CN202311459430.5

申请日：2023-11-03

Applicant: 上海交通大学

Inventor： 王昱晖 ,  王迪

IPC: G06F30/27 ,  G06F18/213 ,  G06F18/241 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/048 ,  G06N3/084 ,  G06N3/0895 ,  G06F119/02 ,  G06F119/04

Abstract: 本发明涉及一种基于传感器自适应选择的飞机发动机预测健康管理方法，包括以下步骤：获取飞机发动机失效原始数据并构建训练样本对深度学习模型进行训练，深度学习模型对失效信号数据进行自适应选择，并利用传感器选择权重进行失效模式识别，同时提取工况无关特征，建立不同失效模式下特征与RUL预测值之间的映射关系，结合失效模式识别结果得到最终的RUL预测值；获取待预测飞机发动机失效数据，利用训练完成的深度学习模型实现失效模式识别和RUL预测结果。与现有技术相比，本发明可以针对不同的工况和失效模式自动调整传感器选择权重，能够提取工况无关的特征，有助于更准确地实现联合的失效模式识别和RUL预测。

公开(公告)号：CN116596107A

公开(公告)日：2023-08-15

申请号：CN202310277931.5

申请日：2023-03-21

Applicant: 上海交通大学

Inventor： 王迪 ,  汪颖

IPC: G06Q10/04 ,  G06N5/04 ,  G06N7/01 ,  G06F17/18 ,  G06N3/08 ,  G06F18/2415

Abstract: 本发明涉及一种基于小样本学习的多失效模式下设备剩余寿命预测方法，所述的方法包括以下步骤：S1、收集设备的传感器信号、失效模式以及剩余使用寿命；S2、构建推理网络，基于贝叶斯模型不可知元学习模型获取失效模式概率分布和剩余使用寿命概率分布；S3、基于概率分布构建损失函数，并估计和更新模型参数；S4、识别新的运行设备的失效模式并预测其剩余使用寿命。与现有技术相比，本发明具有同时实现失效模式概率分布和剩余寿命概率分布的预测、在小样本情形下预测准确度高、泛化能力强等优点。

公开(公告)号：CN116124455A

公开(公告)日：2023-05-16

申请号：CN202310086813.6

申请日：2023-02-01

Applicant: 上海交通大学

Inventor： 王昱晖 ,  王迪

IPC: G01M13/04 ,  G06F30/27 ,  G06F119/02

Abstract: 本发明涉及一种基于传感数据退化建模的飞机发动机多失效模态预测方法，该方法包括以下步骤：步骤S1、对监测飞机发动机的多元传感器信号进行融合得到健康指数，并基于多失效模式下的退化模型，捕获发动机的退化状态；步骤S2、将退化状态的导数作为失效特征，采用基于融合系数的多元期望最大化算法进行退化模型的参数估计；步骤S3、识别飞机发动机失效模式，采用条件概率分布预测飞机发动机的剩余使用寿命RUL。与现有技术相比，本发明具有预测准确性高的优点。

公开(公告)号：CN114818475B

公开(公告)日：2025-04-01

申请号：CN202210334697.0

申请日：2022-03-31

Applicant: 上海交通大学

Inventor： 王昱晖 ,  王迪 ,  张沛涵 ,  许葳

IPC: G06F30/27 ,  G06F30/15 ,  G06F30/17 ,  G06F119/02 ,  G06F119/04

Abstract: 本发明涉及一种融合多任务学习的飞机发动机失效状态预测方法，包括：预先基于健康指数模型和失效模型构建多任务学习模型，通过获取传感器失效信号数据对该多任务学习模型进行参数估计，获取待预测传感器数据，并载入参数估计后的多任务学习模型，获取失效状态预测结果，相应地预测正在使用中发动机的剩余使用寿命；失效模型采用二次多项式失效模型描述失效状态，健康指数模型通过设置权重系数将各个传感器信号线性叠加描述健康状态；根据健康状态和失效状态之间的关系，将健康模型和失效模型融合构成多任务学习模型。与现有技术相比，本发明充分考虑在同一运行状态和环境下各飞机发动机之间的相似性，使得参数估计准确性更高。

公开(公告)号：CN119564941A

公开(公告)日：2025-03-07

申请号：CN202411685354.4

申请日：2024-11-22

Applicant: 上海交通大学医学院附属第九人民医院

Inventor： 周广东 ,  华宇杰 ,  王迪 ,  王雅杰 ,  夏会堂 ,  周梦涵

IPC: A61L27/54 ,  A61L27/02 ,  A61L27/22 ,  A61L27/18 ,  A61L27/20 ,  A61L27/38

Abstract: 一种用于修复半月板的组合物，包括生长分化因子和大黄素，改善微环境中的炎症和氧化应激，促进细胞成软骨分化进程。经验证，本发明提供的“核‑壳”共递送纳米载体，使用介孔二氧化硅纳米颗粒包裹两种生物活性化合物：大黄素和生长分化因子，后者用于促进纤维软骨分化。该双药纳米递送系统提供大黄素和GDF的持续释放，协同调节恶劣的炎症和氧化环境，促进体外和体内纤维软骨再生。得益于此，本发明还利用软骨特异性基质水凝胶将三维打印的半月板形状PCL框架与组合物结合，构建增强稳定性半月板置换模型，具有协同调节软骨免疫微环境，实现了动物(兔)全半月板置换术的成功修复。

公开(公告)号：CN119402383A

公开(公告)日：2025-02-07

申请号：CN202411517732.8

申请日：2024-10-29

Applicant: 上海交通大学

Inventor： 王迪 ,  潘欣雨

IPC: H04L43/08 ,  H04L43/0876 ,  H04L41/14

Abstract: 本发明涉及一种基于多模态时空数据建模的多层网络状态预测方法，包括以下步骤：获取多层动态网络中能够反映各节点交互的时空多模态数据；基于时空多模态数据，通过伯努利分布和泊松分布将节点的连通性和属性信息与网络群组相关联，建立具有共享群组的多层时空Hawkes过程，以捕获每层节点之间从历史事件到后续事件的相互作用，构建多模态时空模型；利用具有局部收敛性的分层期望‑极大值算法进行多模态时空模型的参数求解，得到网络状态预测结果。与现有技术相比，本发明具有建模精准、预测准确等优点。

公开(公告)号：CN118036445A

公开(公告)日：2024-05-14

申请号：CN202410082718.3

申请日：2024-01-19

Applicant: 上海交通大学

Inventor： 王兴宇 ,  王迪 ,  秦威

IPC: G06F30/27 ,  G06N7/01 ,  G01D21/02 ,  G06F111/08 ,  G06F119/08

Abstract: 本发明涉及一种物理机制驱动的多元时空网络交互建模方法，包括以下步骤：基于传感器数据，对多物理场之间存在耦合相关性场景下的复杂建模问题进行统计‑物理融合建模；根据融合建模结果，基于B样条基函数表述时变参数并建立参数相关性调节指数模型，表征多物理场之间的耦合关系；建立交互式贝叶斯层次分析框架，利用参数相关性调节指数模型将不同观测变量之间的耦合关系反映为物理模型参数之间的相关关系强度，并把这种相关性融入贝叶斯参数估计过程中，实现参数准确估计。与现有技术相比，本发明得到的联合后验分布能够对多物理场模型同时进行参数估计，其参数估计结果能够反映参数的时变动态特性，并实现跨模型间的信息相互利用。