-
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：CN116050547A
公开(公告)日：2023-05-02
申请号：CN202310063619.6
申请日：2023-01-12
Applicant: 哈尔滨工业大学
Abstract: 一种基于自注意力集成学习的起落架性能预测方法，涉及起落架性能预测领域。本发明是为了解决现有起落架性能预测方法还存在计算效率和预测精度不高的问题。本发明包括：获取待预测的起落架性能数据的关键特征，将待预测的起落架性能数据的关键特征数据输入到起落架性能预测模型中获得起落架的重心垂直载荷、重心垂向位移；所述起落架性能预测模型通过以下方式获得：获取起落架性能数据；利用MCA模型剔除起落架性能数据特征中的无效特征和冗余特征，获得起落架性能数据中的关键特征数据；利用关键特征数据对AMLP进行训练获得训练好的AMLP模型；采用网格搜索法对训练好的AMLP模型的超参数进行调优，获得起落架性能预测模型。本发明用于预测起落架性能。
-
公开(公告)号：CN111008661B
公开(公告)日：2021-03-09
申请号：CN201911227124.2
申请日：2019-12-04
Applicant: 哈尔滨工业大学
Abstract: 航空发动机备发需求量的Croston‑XGBoost预测方法，本发明涉及航空发动机备发需求量预测方法。本发明的目的是为了解决现有方法对航空发动机备用需求预测准确率低的问题。过程为：步骤一、基于Croston方法将间断型备发需求原始观测序列转换为备发需求间隔序列和备发需求量序列；步骤二、构建XGBoost模型；步骤三、基于步骤一和步骤二建立备发需求间隔预测模型和需求量预测模型；步骤四、基于步骤三得到的备发需求间隔预测模型和备发需求量预测模型，预测偏离总成本指数。本发明用于航空发动机备发需求量预测领域。
-
公开(公告)号：CN111008661A
公开(公告)日：2020-04-14
申请号：CN201911227124.2
申请日：2019-12-04
Applicant: 哈尔滨工业大学
Abstract: 航空发动机备发需求量的Croston-XGBoost预测方法，本发明涉及航空发动机备发需求量预测方法。本发明的目的是为了解决现有方法对航空发动机备用需求预测准确率低的问题。过程为：步骤一、基于Croston方法将间断型备发需求原始观测序列转换为备发需求间隔序列和备发需求量序列；步骤二、构建XGBoost模型；步骤三、基于步骤一和步骤二建立备发需求间隔预测模型和需求量预测模型；步骤四、基于步骤三得到的备发需求间隔预测模型和备发需求量预测模型，预测偏离总成本指数。本发明用于航空发动机备发需求量预测领域。
-
公开(公告)号：CN109658376A
公开(公告)日：2019-04-19
申请号：CN201811245513.3
申请日：2018-10-24
Applicant: 哈尔滨工业大学
Abstract: 一种基于图像识别的表面缺陷识别方法。属于图像识别领域。现有的生产加工流水线上物体表面外观的检测通过肉眼直接观察的方式，存在工作量大、工作效率低的问题，且易出现错检、漏检的情况。一种基于图像识别的表面缺陷识别方法，采集表面缺陷图像作为样本，并进行数据扩充；之后通过中值滤波算法对表面缺陷图像进行去噪；之后以表面缺陷图像中采样点周围四个点中灰度值最大的作为该点的灰度值，进行缩放处理；之后提取表面缺陷图像中缺陷的轮廓以及表面缺陷图像与背景之间的轮廓，并将灰度图像转换为二值化的表面缺陷图像，之后对二值化表面缺陷图像进行图像分类；本发能进行物体表面的缺陷快速识别，且识别准确率高。
-
Patent Agency Ranking
公开(公告)号：CN116050547B
公开(公告)日：2024-09-03
申请号：CN202310063619.6
申请日：2023-01-12
Applicant: 哈尔滨工业大学
Abstract: 一种基于自注意力集成学习的起落架性能预测方法，涉及起落架性能预测领域。本发明是为了解决现有起落架性能预测方法还存在计算效率和预测精度不高的问题。本发明包括：获取待预测的起落架性能数据的关键特征，将待预测的起落架性能数据的关键特征数据输入到起落架性能预测模型中获得起落架的重心垂直载荷、重心垂向位移；所述起落架性能预测模型通过以下方式获得：获取起落架性能数据；利用MCA模型剔除起落架性能数据特征中的无效特征和冗余特征，获得起落架性能数据中的关键特征数据；利用关键特征数据对AMLP进行训练获得训练好的AMLP模型；采用网格搜索法对训练好的AMLP模型的超参数进行调优，获得起落架性能预测模型。本发明用于预测起落架性能。
-
公开(公告)号：CN113033914B
公开(公告)日：2022-03-25
申请号：CN202110411649.2
申请日：2021-04-16
Applicant: 哈尔滨工业大学
Abstract: 一种面向机械加工工艺知识图谱的实体和关系预测方法，它属于机械加工工艺知识图谱中实体和关系预测技术领域。本发明解决了采用目前的翻译模型对机械加工工艺中的实体和关系预测的准确率低的问题。本发明将机械加工工艺知识图谱的复杂关系延展为一对一对多，多对一对一，多对一对多，一对多对一，一对多对多，一对多对多，多对多对多类型。基于延展的复杂关系和机械加工工艺领域特性提出了实体关系双投影超平面模型来实现加工工艺实体和加工工艺关系的准确预测。本发明可以用于对机械加工工艺知识图谱中实体和关系的预测。
-
公开(公告)号：CN110782083A
公开(公告)日：2020-02-11
申请号：CN201911011999.9
申请日：2019-10-23
Applicant: 哈尔滨工业大学
Abstract: 基于深度Croston方法的航空发动机备用需求预测方法，本发明涉及本发明涉及航空发动机备用需求预测方法。本发明的目的是为了解决现有方法对航空发动机备用需求预测准确率低的问题。过程为：一、将间断型备发需求原始观测序列转换为备发需求间隔序列和备发需求量序列；二、将机队状态表征量作为备发需求间隔序列和备发需求量序列的协变量；三、建立备发需求间隔和备发需求量预测模型；得到训练好的备发需求间隔和备发需求量预测模型；将待测样本集分别输入训练好的预测模型，得到备发需求间隔和备发需求量预测结果；四、将预测结果转换为间断型备发需求序列；五、基于预测结果预测偏离成本总损失。本发明用于航空发动机领域。
-
公开(公告)号：CN113343356B
公开(公告)日：2022-01-18
申请号：CN202110679446.1
申请日：2021-06-18
Applicant: 哈尔滨工业大学 , 中国铁建重工集团股份有限公司
IPC: G06F30/15 , G06F30/27 , G06N3/00 , G06F119/14
Abstract: 一种凿岩台车伸缩臂极限工况计算方法，属于机械臂工况计算领域。本发明为解决目前根据经验确定凿岩台车伸缩臂的极限工况，会导致伸缩臂的优化设计结果无法满足实际工程需要的问题。包括：获取凿岩台车伸缩臂臂架结构中各部件的重力、重心位置、所受岩石反冲力载荷及臂架结构各自由度变化范围；确定伸缩臂顶端载荷计算模型；获取新型生物地理学优化算法的寻优范围，并将伸缩臂顶端载荷计算模型的计算结果作为栖息地适宜度指数HSI；初始化NH个栖息地，利用优化算法寻优，得到伸缩臂顶端载荷最大的栖息地，其对应的自由度取值组合为伸缩臂极限工况；所述新型生物地理学优化算法包括改进迁移率模型。本发明可得到极限工况的最优解。
-
公开(公告)号：CN113343356A
公开(公告)日：2021-09-03
申请号：CN202110679446.1
申请日：2021-06-18
Applicant: 哈尔滨工业大学 , 中国铁建重工集团股份有限公司
IPC: G06F30/15 , G06F30/27 , G06N3/00 , G06F119/14
Abstract: 一种凿岩台车伸缩臂极限工况计算方法，属于机械臂工况计算领域。本发明为解决目前根据经验确定凿岩台车伸缩臂的极限工况，会导致伸缩臂的优化设计结果无法满足实际工程需要的问题。包括：获取凿岩台车伸缩臂臂架结构中各部件的重力、重心位置、所受岩石反冲力载荷及臂架结构各自由度变化范围；确定伸缩臂顶端载荷计算模型；获取新型生物地理学优化算法的寻优范围，并将伸缩臂顶端载荷计算模型的计算结果作为栖息地适宜度指数HSI；初始化NH个栖息地，利用优化算法寻优，得到伸缩臂顶端载荷最大的栖息地，其对应的自由度取值组合为伸缩臂极限工况；所述新型生物地理学优化算法包括改进迁移率模型。本发明可得到极限工况的最优解。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.021 seconds)
