-
公开(公告)号：CN118655498A
公开(公告)日：2024-09-17
申请号：CN202410884225.1
申请日：2024-07-03
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
Abstract: 一种用于交错并联Buck变换器的重构相电流故障诊断方法及其系统，涉及电力电子转换技术领域。用于检测和定位交错并联Buck变换器中的开路故障。故障诊断方法为：S1：采集输入电流值；S2：重构输入电流值各相电流平均值；S3：计算三相电流平均值的最大差异值；S4：设置故障检测阈值，并当最大差异值超过故障检测阈值时，判断发生开路故障；S5：根据重构的相电流值定位故障相位。本发明适用于交错并联Buck变换器中开路故障检测与定位。
-
公开(公告)号：CN117892214A
公开(公告)日：2024-04-16
申请号：CN202211373326.X
申请日：2022-11-03
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G06F18/2415 , G06F18/15 , G06F18/214 , G06N3/0455 , G06N3/0442 , G06N3/088 , G07C3/00 , G06F123/02
Abstract: 异常检测模型的构建方法、异常检测方法及异常检测系统，涉及机器学习领域，尤其涉及工业系统的故障或异常检测。解决了现有的异常检测模型对非线性、强时序性及高维度的数据提取分析能力弱，及确定阈值时依赖初始数据分布、依赖于个人经验和不能动态调整等问题。所述异常检测模型基于LSTM‑AE框架和可自动设置参数的自适应阈值构建；所述异常检测方法及异常检测系统采用异常检测模型进行异常检测。本发明应用于对工业系统进行异常检测。
-
公开(公告)号：CN117891226A
公开(公告)日：2024-04-16
申请号：CN202310715482.8
申请日：2023-06-16
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G05B23/02
Abstract: 基于MIC和图神经网络融合的航天器控制系统异常检测方法及系统，涉及故障、异常检测技术领域。解决现有航天器控制系统领域的异常检测方法，由于异常数据主要隐藏在大量的正确点中，难以复制，导致无法完全利用正常数据进行异常检测的问题。方法为将航天控制系统领域多维的时序数据进行MIC分析获得不同变量之间的最大信息系数；进而获得邻接矩阵；从离散变量序列提取出每个变量的时序特征；构建MIC‑图网络并获得预测数据；对预测数据进行判定，获得异常数据。本发明适用于航天器控制系统的故障、异常检测技术领域，可直接用于对于航天器控制系统采集的多维时序数据，并对多维时序数据进行时间段的异常检测和阈值检测判定异常工作。
-
公开(公告)号：CN118655414A
公开(公告)日：2024-09-17
申请号：CN202410884227.0
申请日：2024-07-03
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
Abstract: 一种三相交错并联Boost变换器鲁棒的开路故障诊断方法及其系统，涉及电力电子领域。用于对三相交错并联Boost变换器进行检测和定位故障相。开路故障诊断方法为：在每个开关周期的三个特定时刻采样输入电流值；在两个开关周期内对每个时刻的采样值进行积分；计算三个积分值之间的最大差异，并将最大差异与阈值比较，判断是否故障；通过分析采样值确定故障相。本发明适用于三相交错升压转换器开路故障的诊断和定位。
-
公开(公告)号：CN117668538A
公开(公告)日：2024-03-08
申请号：CN202311563366.5
申请日：2023-11-22
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G06F18/214 , G06F18/22 , G06F18/15 , G06N3/045 , G06N3/0442 , G06N3/0499 , G06N3/084 , G06F17/18
Abstract: 一种基于改进VMD和Bi‑GRU的时间序列预测方法和系统，涉及信息处理技术领域。解决现有使用神经网络方法对小样本数据进行时序预测忽略细节特征，预测效果不理想的问题。所述方法包括：对时间序列数据进行预处理，获得时间序列样本数据；采用改进的VMD方法将时间序列样本数据分为K个不同频域上的子序列；计算子序列的多尺度样本熵，根据计算结果将K个子序列进行分组；根据多尺度样本熵分组结果，选择不同的Bi‑GRU的时间序列预测模型库，进行预测；将预测结果和多尺度样本熵分组结果输入至BP神经网络，进行数据重构，获取最终时间序列的预测结果。应用于电动汽车电池领域。
-
Patent Agency Ranking
公开(公告)号：CN117687378A
公开(公告)日：2024-03-12
申请号：CN202311563590.4
申请日：2023-11-22
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G05B23/02
Abstract: 基于互信息相比相关系数的故障预报方法及系统，涉及电子测量技术领域。使得具有开销小和性能优越的优势且无需额外的硬件、无需训练数据、无需了解系统结构与器件参数。方法为采集控制系统输出的多维参数；对所述多维参数进行平滑滤波处理，获得滤波后的多维参数；对所述滤波后的多维参数，计算相互之间的最大互信息；根据所述最大互信息对所述多维参数进行属性集合划分，获得若干属性集合；计算所述属性集合的平均最大互信息；根据所述平均最大互信息进行故障标识。本发明适用于预报控制系统输出多维参数中将会出现的故障和主要面向属性集合的故障预报。
-
公开(公告)号：CN117591995A
公开(公告)日：2024-02-23
申请号：CN202311563370.1
申请日：2023-11-22
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G06F18/25 , G06F18/2433 , G06F18/214 , G06F18/241 , G06F18/2431 , G06F18/27
Abstract: 一种多参数联合决策的系统剩余寿命预测方法及装置，涉及电子测量技术领域，方法包括：获取健康状态的参数数据作为训练数据，获取待评估参数数据作为观测数据；基于各参数的训练数据和观测数据分别计算各参数健康度；融合所述各参数健康度，得到系统健康度预测结果；该方法通过评价参数时间序列，得到参数健康度，构建各属性健康度模型，并将各属性健康度模型进行融合，得到系统的健康度模型，考虑因素更加全面，预测结果更准确。
-
公开(公告)号：CN115932432A
公开(公告)日：2023-04-07
申请号：CN202211367297.6
申请日：2022-11-03
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G01R31/00
Abstract: 本发明是一种直流变换器中电解电容失效参数辨识方法。本发明涉及Boost变换器中电解电容失效参数计算技术领域，本发明针对目前Boost变换器中电解电容的健康监测结果需要测量流过电容的电流，导致变换器的可靠性降低的问题，监测成本提高的问题。包括：获取PWM控制信号并进行计算得到周期和占空比；采样输出电压的交流成分；获取输出电压在一个周期内的三个特定时刻的交流成分；采样输出电压在一个周期内的平均值；采样输入电压；利用推导等效串联电阻计算公式作为电解电容的当前等效串联电阻计算结果。本发明可实时在线计算电解电容的失效参数等效串联电阻。
-
公开(公告)号：CN117787470A
公开(公告)日：2024-03-29
申请号：CN202311621554.9
申请日：2023-11-30
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G06Q10/04 , G06F18/15 , G06F18/2131 , G06N3/0442 , G06F18/214
Abstract: 一种基于EWT和集成方法的时序预测方法和系统，涉及信息处理技术领域。解决现有非平稳的时间序列数据使用神经网络方法进行时序预测会忽略一些细节特征，预测效果不理想，存在局限性的问题。所述方法包括：对时间序列数据进行预处理，得到时间序列数据；根据经验小波变换EWT方法分解时间序列样本数据，获取残差趋势分量和细节分量IMF；采用高斯过程回归GPR对残差趋势项进行预测，获取预测的残差趋势项；采用TAM‑BiLSTM网络模型对细节分量IMF进行预测，获取预测的细节分量；将所述预测的残差趋势项和预测的细节分量叠加重构，获取最终的时间序列的预测结果。应用于金融科技、社会科学、交通流量等领域。
-
公开(公告)号：CN117687297A
公开(公告)日：2024-03-12
申请号：CN202311563594.2
申请日：2023-11-22
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G05B13/04 , G06F18/2433 , G06F18/214 , G06N3/0442 , G06N3/042 , G06N3/045 , G06N3/088
Abstract: 基于自适应关联分析的图神经网络融合的航天器控制系统异常检测方法，涉及系统故障、异常检测技术领域。解决现有的异常数据主要隐藏在大量的正确点中，难以复制，导致无法完全利用正常数据的无监督学习来探索内在规律的问题。本发明提供以下方案，采集航天控制系统领域多维的时序数据，对时序数据进行转换，获得离散变量序列；对离散变量序列进行自适应边分析，得到邻接矩阵A；构建图结构的邻接矩阵，获得LSTM‑图网络；采用LSTM‑图网络模型对离散变量序列进行提取，获得每个变量的时序特征；将时序特征输入到LSTM‑图网络中，获得预测数据；根据误差阈值对处理后的预测数据进行判定，获得异常数据的存储位置。还适用于航天器控制系统异常检测和阈值检测中。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.036 seconds)
