-
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：CN118607701A
公开(公告)日：2024-09-06
申请号：CN202410653044.8
申请日：2024-05-24
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G06Q10/04 , G06Q10/20 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06F17/16
Abstract: 本发明是一种识别状态影响的设备寿命预测系统及方法。本发明涉及设备寿命信息处理技术技术领域，本发明获取设备的多维监测数据；设备的监测数据对监测的特征进行初步筛选，保留包含设备退化信息的监测特征数据，构建设备的健康状态记忆矩阵；进行设备退化状态的识别；搭建LSTM‑Transformer网络，进行预测模型的网络参数的调优，选定对应的寿命预测模型，用于寿命预测。本发明构建了LSTM‑Transformer的结合网络，充分利用多头注意力机制，并将重构向量与特征向量的残差向量作为网络的输入，放大性能退化，提高预测效果。
-
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。
-
公开(公告)号：CN117725501A
公开(公告)日：2024-03-19
申请号：CN202311386881.0
申请日：2023-10-24
Applicant: 中国科学院自动化研究所 , 北京航天自动控制研究所
IPC: G06F18/2415 , G06F18/213 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06F18/214 , G06N3/08
Abstract: 本发明提供一种故障诊断模型训练方法、故障诊断方法、装置及电子设备。该故障诊断模型训练方法包括：将源域样本数据和目标域样本数据分别输入至深层特征提取网络，得到源域样本数据对应的第一深层特征和目标域样本数据对应的第二深层特征；将第一深层特征和第二深层特征分别输入至故障分类器网络，得到第一预测标签和第二预测标签；基于第一预测标签和第二预测标签，确定每个样本数据对应的源域和目标域的KL散度；基于故障诊断模型的损失函数值，训练故障诊断模型，损失函数值基于每个样本数据对应的源域和目标域的KL散度和每个样本数据的交叉熵损失确定。本发明提供的故障诊断模型训练方法，可以实现更高精度的故障诊断任务。
-
公开(公告)号：CN117648600A
公开(公告)日：2024-03-05
申请号：CN202311386862.8
申请日：2023-10-24
Applicant: 中国科学院自动化研究所 , 北京航天自动控制研究所
IPC: G06F18/24 , G06N3/094 , G06N3/0475 , G06N3/045 , G06F18/214
Abstract: 本发明提供一种故障诊断方法、故障诊断装置、电子设备及介质。该方法包括：获取待诊断目标域数据；将所述待诊断目标域数据输入至目标故障诊断模型，得到所述待诊断目标域数据的故障类型，所述目标故障诊断模型基于源域正常样本、源域故障样本和目标域正常样本训练得到，所述源域正常样本和所述目标域正常样本用于进行对抗训练，所述源域故障样本和所述目标域正常样本用于优化所述目标故障诊断模型中的目标域特征生成网络。本发明提供的故障诊断方法，可以通过在无目标域故障样本的情况下获取的目标诊断模型进行故障诊断，能够快速、准确地诊断出目标域数据的故障类型。
-
-
-
-
-
Search Results
6
records
(took 0.03 seconds)
