-
公开(公告)号：CN118211136A
公开(公告)日：2024-06-18
申请号：CN202410634398.8
申请日：2024-05-22
Applicant: 哈尔滨工业大学(威海)
IPC: G06F18/2413 , G06F18/22 , G06F18/213 , G06F18/214
Abstract: 本发明涉及数据处理技术领域，具体的说是一种能够通过对数据集中难分样本的有效挖掘处理，显著提高数据处理效率和准确率，进而提高复杂设备故障诊断分析结果准确率的基于围栏损失函数的数据处理方法及装备故障诊断方法，其特征在于，利用深度模型将输入数据映射到一个高维空间中，并执行以下步骤：步骤1：难分样本识别，利用围栏边界来区分每种类别中的难分样本；步骤2：难分样本优化与归类，其中利用围栏学习将难分样本优化至对应的围栏中，通过计算样本到类中心的距离对难分样本进行归类，与现有技术相比，通过深度围栏学习致力于挖掘更多难分样本的信息，来促进数据分类准确性，进而提高设备故障数据诊断性能。
-
公开(公告)号：CN118885930A
公开(公告)日：2024-11-01
申请号：CN202410774682.5
申请日：2024-06-14
Applicant: 哈尔滨工业大学
IPC: G06F18/2433 , G06F18/2411 , G06F18/214 , G06F18/23213 , G06F18/213 , G06F18/21 , G06N3/0455 , G06N3/084 , G06N3/048
Abstract: 基于超平面引导式重采样方法的家用电器故障诊断方法，属于家用电器故障诊断技术领域。本发明是为了解决现有家用电器的故障诊断方法存在数据不均衡，导致误判率高的问题。本发明利用家用电器历史监测数据获取训练集；将训练集中的健康样本划分为不同的采用无监督聚类方法将健康样本划分为不同的簇，再将所有簇中心的样本作为降采样后训练集的健康样本；采用超平面引导，对降采样后的训练集中故障样本进行过采样，合成新故障样本；将合成的新故障样本加入降采样后的训练集，构成平衡训练集；建立深度自注意力网络，采用平衡训练集对所述深度自注意力网络进行训练，获取故障诊断模型；利用所述故障诊断模型对家用电器进行故障诊断。本发明适用家用电器故障诊断。
-
公开(公告)号：CN118211136B
公开(公告)日：2024-08-06
申请号：CN202410634398.8
申请日：2024-05-22
Applicant: 哈尔滨工业大学(威海)
IPC: G06F18/2413 , G06F18/22 , G06F18/213 , G06F18/214
Abstract: 本发明涉及数据处理技术领域，具体的说是一种能够通过对数据集中难分样本的有效挖掘处理，显著提高数据处理效率和准确率，进而提高复杂设备故障诊断分析结果准确率的基于围栏损失函数的数据处理方法及装备故障诊断方法，其特征在于，利用深度模型将输入数据映射到一个高维空间中，并执行以下步骤：步骤1：难分样本识别，利用围栏边界来区分每种类别中的难分样本；步骤2：难分样本优化与归类，其中利用围栏学习将难分样本优化至对应的围栏中，通过计算样本到类中心的距离对难分样本进行归类，与现有技术相比，通过深度围栏学习致力于挖掘更多难分样本的信息，来促进数据分类准确性，进而提高设备故障数据诊断性能。
-
公开(公告)号：CN117891955B
公开(公告)日：2024-08-06
申请号：CN202410068229.2
申请日：2024-01-17
Applicant: 哈尔滨工业大学
Abstract: 一种基于多尺度注意力网络的知识图谱链接预测方法，属于知识图谱技术领域。本发明针对现有知识图谱嵌入模型在获取更多交互特征的同时会淹没重要特征的问题。包括建立知识图谱嵌入模型：由输入模块基于头实体向量和关系向量得到特征矩阵；再由编码模块得到多个基于权重选择的特征图，在通道维度上拼接得到拼接后特征图；得分模块将拼接后特征图压平为一维向量并投影到尾实体的向量空间获得隐藏层向量与知识图谱中所有尾实体向量分别做矩阵乘法，得到三元组分数；选择得分最高的三元组作为链接预测结果；采用最小化交叉熵损失函数实现知识图谱嵌入模型的训练；采用训练后知识图谱嵌入模型进行知识图谱链接预测。本发明用于知识图谱的链接预测。
-
公开(公告)号：CN118428553A
公开(公告)日：2024-08-02
申请号：CN202410654292.4
申请日：2024-05-24
Applicant: 哈尔滨工业大学
IPC: G06Q10/04 , G06Q10/20 , G06N3/0464 , G06N3/049 , G06N3/084
Abstract: 基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，属于制造资源装备健康状态预测技术领域。解决了现有制造资源装备退化状态的预测结果准确率低的问题。本发明基于时间卷积网络，结合通道注机制和时序注意力机制，建立基于双重注意力的时间卷积网络；所述时间卷积网络包括L个隐藏层，L个隐藏层残差连接；每个隐藏层利用膨胀因果卷积网络进行时序依赖特征提取，再结合通道注意力机制和时序注意力机制，获取隐藏层的输出信号，第L个隐藏层的输出信号为基于双重注意力的时间卷积网络的输出信号；基于双重注意力的时间卷积网络用于制造资源装备的健康状态预测。主要用于制造资源装备的健康状态预测。
-
Patent Agency Ranking
公开(公告)号：CN117891955A
公开(公告)日：2024-04-16
申请号：CN202410068229.2
申请日：2024-01-17
Applicant: 哈尔滨工业大学
Abstract: 一种基于多尺度注意力网络的知识图谱链接预测方法，属于知识图谱技术领域。本发明针对现有知识图谱嵌入模型在获取更多交互特征的同时会淹没重要特征的问题。包括建立知识图谱嵌入模型：由输入模块基于头实体向量和关系向量得到特征矩阵；再由编码模块得到多个基于权重选择的特征图，在通道维度上拼接得到拼接后特征图；得分模块将拼接后特征图压平为一维向量并投影到尾实体的向量空间获得隐藏层向量与知识图谱中所有尾实体向量分别做矩阵乘法，得到三元组分数；选择得分最高的三元组作为链接预测结果；采用最小化交叉熵损失函数实现知识图谱嵌入模型的训练；采用训练后知识图谱嵌入模型进行知识图谱链接预测。本发明用于知识图谱的链接预测。
-
公开(公告)号：CN115204031B
公开(公告)日：2023-06-20
申请号：CN202210519129.8
申请日：2022-05-13
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F18/2113 , G06F18/214 , G06F18/2411 , G06N3/0475 , G06N3/094
Abstract: 航空发动机装配过程的振动值预测方法，属于航空发动机装配状态监测技术领域，本发明为解决现有小样本情况下航空发动机装配过程的振动值预测精度低的问题。它包括：对航空发动机装配流程的数据进行预处理，构建多相关性分析模型，提取关键输入特征；采用二维拉伸变换方法和均值池化方法，实现装配数据的一维数组与二维图像的转换，并采用W生成对抗网络模型进行数据增强，获得扩充后的小样本数据的区间；构建支持向量机分类模型，对航空发动机整机振动值的区间范围进行预测。本发明用于对航空发动机进行装配。
-
公开(公告)号：CN115659496A
公开(公告)日：2023-01-31
申请号：CN202211273994.5
申请日：2022-10-18
Applicant: 哈尔滨工业大学
IPC: G06F30/15 , G06F30/27 , G06N3/0464 , G06N3/048 , G06N3/0442 , G06N3/0455 , G06N3/088
Abstract: 基于DLBR的航空发动机性能模型重构方法，涉及涡扇发动机气路特性参数的重构技术领域。本发明是为了解决航空发动机上仅有少量的传感器能够采集器特性参数，导致构建航空发动机性能模型所需的特性参数不完整、模型无法建立的问题。本发明将航空发动机完备气路特性参数X输入至训练好的自编码器中对X进行降维与重构，获得重构结果然后以可测气路特性参数S作为输入，以自编码器的特征空间h作为输出，构建基于LSTM的S与h之间的映射模型；最后将映射模型与自编码器建立联系，获得以可测气路特性参数S作为输入、以重构结果作为输出的航空发动机性能重构模型。
-
公开(公告)号：CN108363382A
公开(公告)日：2018-08-03
申请号：CN201810131247.5
申请日：2018-02-09
Applicant: 哈尔滨工业大学(威海)
IPC: G05B23/02
CPC classification number: G05B23/0275
Abstract: 本发明涉及一种复杂装备故障诊断方法及系统，其中方法包括：样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的状态数据进行预处理生成正常样本和故障样本；特征提取步骤、从全部正常样本中随机选择部分正常样本对SDAE模型进行训练，并利用训练好的SDAE模型对剩余的正常样本和所有的故障样本进行特征提取，得到特征集；分类识别步骤、基于特征集使用支持向量机对特征进行分类。本发明能够在复杂装备真实的小样本条件下进行故障诊断，故障识别准确率和泛化性明显优于基于支持向量机的故障诊断法。在建立复杂装备状态特征模型过程中，提出一种根据单个DAE特征提取能力设计SDAE模型隐藏层节点数的方法。
-
公开(公告)号：CN118312868A
公开(公告)日：2024-07-09
申请号：CN202410034590.3
申请日：2024-01-10
Applicant: 哈尔滨工业大学
IPC: G06F18/2415 , G06N3/0464 , G06N3/048 , G06F18/214 , B63B79/30
Abstract: 本发明涉及船舶动力装置故障诊断技术领域，具体的说是一种能够克服现有船舶动力装置故障数据量有限的不足，显著提高船舶主机故障诊断准确性的基于深度同心孪生网络的船舶主机小样本故障诊断方法,DCSN采用样本配对的方式扩充训练样本，并通过平衡正对和负对的数量，来减小深度模型过拟合的风险,同时DCSN采用同心损失作为优化函数，有助于在端到端的训练中自动学习到类间可区分性特征,本发明在船舶主机故障数据集上验证了所提DCSN的有效性，并讨论了相关参数对DCSN诊断性能的影响，包括内外边界的取值、孪生网络输出特征维度。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.035 seconds)
