公开(公告)号：CN115964657A

公开(公告)日：2023-04-14

申请号：CN202111169222.2

申请日：2021-10-08

Applicant: 哈尔滨工业大学(威海)

Inventor： 付旭云 ,  孙昊 ,  刘雪云 ,  白争锋 ,  钟诗胜

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明涉及一种基于映射关系挖掘的复杂装备参数特征提取方法，为强迫映射关系更明显的体现出正常样本和异常样本的区别，提出了极端样本不平衡条件下的弱监督交叉熵损失函数；通过映射关系挖掘模型便可以建立复杂装备运行参数的映射关系，正常的参数一定在映射关系的影响下小范围波动，而异常参数则不符合这一映射关系，此外，随着设备性能的衰退，参数实际值将越来越不符合映射关系，基于此，先建立映射关系，然后筛选不符合映射关系的数据，将不符合程度作为特征，将是能够应用在异常检测领域的一种十分有效的特征提取方法，针对演化异常和性能衰退的特征提取效果更好。

公开(公告)号：CN115545092A

公开(公告)日：2022-12-30

申请号：CN202211057935.4

申请日：2022-08-31

Applicant: 哈尔滨工业大学(威海)

Inventor： 钟诗胜 ,  赵明航 ,  刘丹 ,  林琳 ,  付旭云 ,  刘雪云

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G01M15/05

Abstract: 本申请提供了一种基于深度孪生自注意力网络的航空发动机小样本故障诊断方法，采用时间序列聚类和孪生神经网络相结合，实现航空发动机小样本故障的诊断。本申请通过学习一种相似性度量来解决小样本条件下多标签分类问题，有效地提高小样本条件下多故障分类的准确率，有效地缓解深度神经网络的过拟合问题；使用SANet作为孪生神经网络的特征提取模块，以期学到更丰富的时序特征，进而提高不同类型样本在映射空间中的可分性；SANet可以同时提取时间序列的短期依赖和长期依赖，并在提取长期依赖方面优于RNN模型；有效地缓解样本不均衡所带来的训练问题，对故障样本的诊断效果更佳。

公开(公告)号：CN115965792A

公开(公告)日：2023-04-14

申请号：CN202111169155.4

申请日：2021-10-08

Applicant: 哈尔滨工业大学(威海)

Inventor： 付旭云 ,  孙昊 ,  白争锋 ,  刘雪云 ,  钟诗胜

IPC: G06V10/40 ,  G06V10/774

Abstract: 本发明涉及复杂装备参数提取分析技术领域，具体的说是一种能够有效提取复杂装备的多种运行参数特征，进而提高分析准确率基于混合核慢特征分析的复杂装备参数特征提取方法，本发明考虑到发动机性能随时间变化缓慢，慢特征分析能提取随时间变化最缓慢的特征，便可以假设使用慢特征分析所提取出的特征能够从某种程度上代表反应发动机性能的本质属性，本发明降低了计算量，提高了分析精度。

公开(公告)号：CN115964662A

公开(公告)日：2023-04-14

申请号：CN202111173491.6

申请日：2021-10-08

Applicant: 哈尔滨工业大学(威海)

Inventor： 付旭云 ,  夏湘钊 ,  孙昊 ,  张永健 ,  刘雪云 ,  钟诗胜

IPC: G06F18/2413 ,  G06F18/232 ,  G06F18/214

Abstract: 本发明涉及一种能够在不需要执行复杂调参等处理的前提下，提高检测准确度的基于改进密度峰值聚类的复杂装备参数异常检测方法，与现有技术相比，为避免极端样本不平衡影响检测效果，采用密度峰值聚类算法；为克服局部密度计算方式的主观性，引入基于样本K近邻的局部密度度量准则；为克服样本分配过程中潜在的连锁分配错误问题，引入基于样本K近邻的样本分配策略；为提高离群点选择准确性降低离群点对聚类过程的影响，提出新的离群点阈值确定方式和离群点处理方式；针对异常样本足够的发动机，为降低调参难度，提出弱监督聚类参数调整策略，针对异常样本数不足的发动机，提出弱监督情况下的异常检测方式，显著提高了检测精度。

公开(公告)号：CN115457551A

公开(公告)日：2022-12-09

申请号：CN202210918858.0

申请日：2022-07-31

Applicant: 哈尔滨工业大学(威海)

Inventor： 刘雪云 ,  钟诗胜 ,  付旭云 ,  孙聪

IPC: G06V20/70 ,  G06V10/82 ,  G06V10/25 ,  G06V10/26 ,  G06V10/52 ,  G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种适用于小样本条件的叶片损伤识别方法，提出了基于Mask R‑CNN的分层混合检测网络结构组成、损失函数分析、训练以及预测流程。针对尺寸较小、出现频率较低、容易被忽略的对象(即损伤)，采取低IoU阈值分类与高IoU阈值目标分割训练，低置信度分类与高置信度目标分割混合识别策略，以获得更全面的检测结果。采取通过图像处理办法扩充样本数据集、输入端数据增强、引用COCO预训练权重、迁移学习等方法提高了损伤图像小样本训练的收敛速度和准确度。