-
公开(公告)号：CN113221946A
公开(公告)日：2021-08-06
申请号：CN202110362779.1
申请日：2021-04-02
申请人： 中国人民解放军92578部队 , 山东大学
摘要： 本发明属于人工智能技术领域，尤其涉及一种机械设备故障种类的诊断方法。本方法通过学习有效的故障特征来缓解模式崩溃和扩展故障数据空间，从而进行机械故障种类的诊断。该组权重共享生成器被设计成生成相同类型的故障数据。同一个故障的通用特征可以通过本地共享层。通过基于生成数据和真实数据的判别器训练，判别器可以获得故障诊断能力。本方法通过构建多生成器的故障数据生成网络，解决目前基于单生成器神经网络生成故障数据方法容易出现的“模式崩溃”问题，解决生成故障数据单一的模式问题；通过组生成器局部权值共享的机制，有效学习同一故障类型数据的基础故障特征，从而有效扩展故障数据的空间分布，提高故障分类的通用性和准确率。
-
公开(公告)号：CN116843051A
公开(公告)日：2023-10-03
申请号：CN202310536765.6
申请日：2023-05-12
申请人： 中国人民解放军92578部队 , 山东大学
IPC分类号： G06Q10/04 , G06Q10/20 , G06F18/15 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种基于数据裁剪的船舶设备剩余使用寿命预测方法，构建船舶设备剩余使用寿命预测模型，船舶设备剩余使用寿命预测模型依次包括数据处理模块，空间注意力特征加权模块，深度特征提取模块，回归预测模块；计算新的损失函数用于模型训练；对训练样本进行数据裁剪，进行二次度量裁剪，取交集作为最终裁剪集，用裁剪后的样本对模型进行训练；利用训练好的预测模型对实时监测数据进行船舶设备剩余使用寿命预测。本发明的船舶设备剩余使用寿命预测方法，可以有效降低模型训练时间和能源消耗，降低对计算机算力的要求，有效降低在船舶上配置设备剩余使用寿命预测系统的成本。
-
公开(公告)号：CN113203953B
公开(公告)日：2022-03-25
申请号：CN202110362770.0
申请日：2021-04-02
申请人： 中国人民解放军92578部队 , 山东大学
IPC分类号： G01R31/367 , G01R31/392 , G06N3/04 , G06N3/08
摘要： 本发明属于剩余使用寿命预测技术领域，涉及一种基于改进型极限学习机的锂电池剩余使用寿命预测方法。首先获取锂电池历史监测数据，实时采集的锂电池电流、电压、温度数据，构成训练数据集和测试数据集；构建改进型极限学习机，对训练数据集和测试数据集分别进行处理；构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。本方法通过充分考虑锂电池剩余使用寿命预测数据集较小、同时考虑了不同种类数据对预测结果的影响以及同种数据之间的时间相关性，能有效提高锂电池剩余使用寿命预测的准确性，因此本发明方法具有很好的应用前景。
-
公开(公告)号：CN113203953A
公开(公告)日：2021-08-03
申请号：CN202110362770.0
申请日：2021-04-02
申请人： 中国人民解放军92578部队 , 山东大学
IPC分类号： G01R31/367 , G01R31/392 , G06N3/04 , G06N3/08
摘要： 本发明属于剩余使用寿命预测技术领域，涉及一种基于改进型极限学习机的锂电池剩余使用寿命预测方法。首先获取锂电池历史监测数据，实时采集的锂电池电流、电压、温度数据，构成训练数据集和测试数据集；构建改进型极限学习机，对训练数据集和测试数据集分别进行处理；构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。本方法通过充分考虑锂电池剩余使用寿命预测数据集较小、同时考虑了不同种类数据对预测结果的影响以及同种数据之间的时间相关性，能有效提高锂电池剩余使用寿命预测的准确性，因此本发明方法具有很好的应用前景。
-
公开(公告)号：CN113221946B
公开(公告)日：2022-03-25
申请号：CN202110362779.1
申请日：2021-04-02
申请人： 中国人民解放军92578部队 , 山东大学
摘要： 本发明属于人工智能技术领域，尤其涉及一种机械设备故障种类的诊断方法。本方法通过学习有效的故障特征来缓解模式崩溃和扩展故障数据空间，从而进行机械故障种类的诊断。该组权重共享生成器被设计成生成相同类型的故障数据。同一个故障的通用特征可以通过本地共享层。通过基于生成数据和真实数据的判别器训练，判别器可以获得故障诊断能力。本方法通过构建多生成器的故障数据生成网络，解决目前基于单生成器神经网络生成故障数据方法容易出现的“模式崩溃”问题，解决生成故障数据单一的模式问题；通过组生成器局部权值共享的机制，有效学习同一故障类型数据的基础故障特征，从而有效扩展故障数据的空间分布，提高故障分类的通用性和准确率。
-
公开(公告)号：CN114580087A
公开(公告)日：2022-06-03
申请号：CN202210483195.4
申请日：2022-05-06
申请人： 山东大学
摘要： 本发明提出了一种船载设备的联邦剩余使用寿命预测方法、装置及系统，属于机器学习技术领域，解决了数据样本量少、多用户的样本分散导致的无法实现对船载设备的剩余使用寿命的精确预测的问题，包括：构建基于机器学习的剩余使用寿命预测模型；联邦训练时，技术中心服务器接收所有参与方的N组加密梯度，并利用保有的私钥进行解密得到梯度；对解密得到的梯度进行聚类并筛选，用筛选后的梯度对模型进行参数更新；利用训练完成的基于机器学习的剩余使用寿命预测模型对处于运行状态的船载设备实时进行剩余使用寿命预测及预警潜在的设备故障。实现对在运行的船载设备提供实时剩余使用寿命预测、智能预警潜在的设备故障。
-
公开(公告)号：CN113985294B
公开(公告)日：2022-04-01
申请号：CN202111626227.3
申请日：2021-12-29
申请人： 山东大学
IPC分类号： G01R31/367 , G01R31/392 , G06F30/27 , G06F119/04
摘要： 本发明属于锂电池技术领域，为了解决极限学习机模型受随机初始化权重影响，影响锂电池剩余使用寿命预测的精度的问题，提供了一种电池剩余寿命的预估方法及装置。其中，电池剩余寿命的预估方法包括获取锂电池历史充放电循环数据，并从其中提取从第一电压到第二电压的放电时间差和前向循环的电池容量，进而构成初始特征向量；基于初始特征向量及预先训练完成的寿命预测模型，进行迭代预测直到预测容量低于额定容量的预设比例，最终获得锂电池的剩余使用寿命预测值；其中，所述寿命预测模型为经天牛须搜索算法优化初始化参数的极限学习机模型。该预估方法提高了极限学习机的精准度及稳定性，最终提高了锂电池剩余使用寿命预测值的准确性。
-
公开(公告)号：CN113985294A
公开(公告)日：2022-01-28
申请号：CN202111626227.3
申请日：2021-12-29
申请人： 山东大学
IPC分类号： G01R31/367 , G01R31/392 , G06F30/27 , G06F119/04
摘要： 本发明属于锂电池技术领域，为了解决极限学习机模型受随机初始化权重影响，影响锂电池剩余使用寿命预测的精度的问题，提供了一种电池剩余寿命的预估方法及装置。其中，电池剩余寿命的预估方法包括获取锂电池历史充放电循环数据，并从其中提取从第一电压到第二电压的放电时间差和前向循环的电池容量，进而构成初始特征向量；基于初始特征向量及预先训练完成的寿命预测模型，进行迭代预测直到预测容量低于额定容量的预设比例，最终获得锂电池的剩余使用寿命预测值；其中，所述寿命预测模型为经天牛须搜索算法优化初始化参数的极限学习机模型。该预估方法提高了极限学习机的精准度及稳定性，最终提高了锂电池剩余使用寿命预测值的准确性。
-
公开(公告)号：CN113361197A
公开(公告)日：2021-09-07
申请号：CN202110637416.4
申请日：2021-06-08
申请人： 山东大学
IPC分类号： G06F30/27 , G06Q10/04 , G06Q50/06 , G06F111/10 , G06F119/04
摘要： 本发明属于锂电池技术领域，提供了一种锂电池剩余使用寿命预测方法及系统。该方法包括，根据锂电池的历史电池容量值，得到每个电池容量值对应的电压、电流和温度数据的特征矩阵；考虑电压、电流和温度数据的权重值以及不同特征类型对电池容量值的影响，结合电池容量值对应的电压、电流和温度数据的特征矩阵，得到不同注意力机制对应的测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵；将测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵进行拼接，得到锂电池的预测剩余寿命。
-
公开(公告)号：CN111352419A
公开(公告)日：2020-06-30
申请号：CN202010115628.1
申请日：2020-02-25
申请人： 山东大学
摘要： 本发明提供了基于时序差分更新经验回放缓存的路径规划方法，步骤包括：当前状态特征向量作为输入数据；建立DQN模型，DQN模型包括当前Q网络和目标Q网络；将输入数据输入到DQN模型形成输出数据和奖励信号；将输入数据、输出数据和奖励信号记为经验数据，存入经验回放缓存；当经验回放缓存的容量到达设定值时，将新的经验数据替换经验回放缓存中TD误差最小的经验数据，并实时更新经验回放缓存；解决了强化学习样本利用效率问题及经验池占用缓存空间过大问题，使得车辆路径规划效率提高，所需缓存空间大幅降低。
-
-
-
-
-
-
-
-
-
搜索结果
26 条记录 (耗时 0.047 秒)
