-
公开(公告)号：CN116050247A
公开(公告)日：2023-05-02
申请号：CN202211555055.X
申请日：2022-12-06
Applicant: 大连理工大学
IPC: G06F30/27 , G06F17/13 , G06N3/04 , G06N3/08 , G06F119/14
Abstract: 一种用于求解未知外部驱动力作用下的有界振动杆位移分布的耦合物理信息神经网络，提出一种新的PINN，称为C‑PINN，用于求解有界振动杆在具有较少或甚至没有任何先验信息的外部驱动力作用下的位移分布。包含两个神经网络，NetU和NetG。NetU逼近满足所研究有界振动杆的位移分布；NetG用于正则化NetU中的u以满足NetU逼近的位移分布。将两个网络集成为一个数据‑物理混合的损失函数中。此外，利用所提出的分层训练策略对该损失函数进行优化，实现两个网络的耦合。最后，验证C‑PINN在求解有界振动杆在外部驱动力作用时位移分布的性能。本发明的C‑PINN适用于解决具有外部驱动作用下并与时间空间具有依赖关系的多类动态系统，即包括求解在外部热源作用下的温度分布，电磁波在外源影响下的电磁分布等。
-
公开(公告)号：CN117952020A
公开(公告)日：2024-04-30
申请号：CN202410345882.9
申请日：2024-03-26
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于物理信息神经网络的多层介质电磁计算方法。所述方法包括：步骤一：确定计算域内的麦克斯韦方程、边界条件、电磁分界面条件和初始条件；步骤二：根据不同的介质将计算域进行划分；步骤三：为计算域内各个子域分配一个神经网络，建立电磁模型；步骤四：在计算域内选取用于训练的残差点、边界约束点、分界面约束点和初始约束点；步骤五：根据选取的训练点计算麦克斯韦方程残差损失、边界条件损失、分界面条件和初始条件损失，并计算总损失函数；步骤六：使用基于梯度下降的优化算法优化神经网络参数；步骤七：根据得到电磁模型，模拟计算域内的电磁场。本发明能够快速准确地计算多层介质中的麦克斯韦方程，模拟电磁传播。
-
公开(公告)号：CN116910428B
公开(公告)日：2024-03-22
申请号：CN202310974079.7
申请日：2023-08-03
Applicant: 大连理工大学
Abstract: 一种用于自动确定偏微分方程结构的时空动态系统软测量方法，属于神经网络的软测量技术领域。首先，构建用于训练具有循环预测机制的耦合物理信息神经网络的损失函数，获得满足用于描述时空工业过程偏微分方程的解和源项；其次，利用自动微分方法获得微分算子候选库，从微分算子候选库中选择适当的偏微分方程结构准确描述时空工业过程；最后，利用热扩散现象和实际振动过程，验证软测量结果。本发明提出的CPINNRP‑AIC适用于具有时空依存特征的多类动态系统的软测量方法，包括实际工业过程中热扩散现象以及实际振动过程中的波动现象等；可实现高端复杂装备，如航空发动机运行过程关键变量值的有效获取，为高端工业装备的良好控制性能和安全运行的稳定性提供保障，具有实际工程应用意义。
-
公开(公告)号：CN114742097B
公开(公告)日：2023-05-23
申请号：CN202210285394.4
申请日：2022-03-23
Applicant: 大连理工大学
Abstract: 本发明提供一种基于轴承振动信号自动确定变分模态分解参数的优化方法，属于信号分解技术领域。首先，利用模态能量反映带宽大小，建立带宽优化子模型，用于自动获取最优带宽参数αopt。其次，建立能量损失优化子模型，用于避免发生欠分解现象。再次，建立模态平均位置距离优化子模型，用于防止过多K的产生避免发生过分解现象。最后，综合考虑带宽参数α和模态总数K之间的相互作用、模态分量之间的相互影响以及重构信息的完整性，利用对数函数进行非线性变换，使三个优化子模型的值形成相似的尺度，获得能够自动确定最优VMD参数αopt和Kopt的优化模型，并建立VMD算法分解性能量化评价指标。本发明能够定性定量的给出该优化方法具有更高精度的信号分解性能。
-
公开(公告)号：CN112685910A
公开(公告)日：2021-04-20
申请号：CN202110029485.7
申请日：2021-01-11
Applicant: 大连理工大学
IPC: G06F30/20
Abstract: 本发明属于复杂装备的故障预测技术领域，提供了一种基于混合预测模型的复杂装备电源组故障预测方法。首先分析复杂装备电源组的典型故障，并提取其中的核心属性集，将电源模块的时间序列分为线性部分和非线性部分，利用差分整合移动平均自回归模型对线性部分进行预测，对得到的残差利用人工神经网络模型进行预测，并将非线性部分的预测结果与线性部分的预测结果进行加和得到电源组的预测结果。并通过混合模型对核心属性并行参数进行监测，结合上、下限预警的状态监测方式，得到电源组的运行状态信息。本发明的基于混合预测模型复杂装备电源组故障预测方法，能有效实现对复杂装备电源组核心属性时间序列的准确预测，并有效降低电源组的虚警率。
-
Patent Agency Ranking
公开(公告)号：CN112462744A
公开(公告)日：2021-03-09
申请号：CN202011382477.2
申请日：2020-12-01
Applicant: 大连理工大学
IPC: G05B23/02
Abstract: 本发明属于武器设备的状态评估与故障诊断技术领域，提供了一种坦克火控系统状态评估与故障诊断系统，包括信号采样调理模块、信号处理器、状态评估与故障诊断主板以及显示模块。本发明基于检测火控系统主要功能部件的运行参数的实时数据、历史数据、试验数据，来评估火控系统的运行状态并判别故障情况，解决了坦克火控系统因工作过程复杂，部件众多无法有效识别系统各个主要功能部件的运行状态以及判别故障的问题，实现坦克火控系统准确做出辅助作战决策和视情维修决策的目的。
-
公开(公告)号：CN116643174A
公开(公告)日：2023-08-25
申请号：CN202310514686.5
申请日：2023-05-09
Applicant: 大连理工大学
IPC: G01R31/367 , G01R31/392 , G06F30/27 , G06F18/25 , G06F17/16 , G06F17/18 , G06N3/0442 , G06N3/08 , G06Q10/04 , G06F119/04
Abstract: 本发明属于电池寿命预测技术领域，公开了一种电池剩余寿命预测方法。基于数据预处理和VMD‑LSTM‑GPR预测方法，首先通过从充放电循环曲线中提取间接HI，采用Pearson和Spearman相关系数进行相关性分析，并使用KPCA算法进行间接HI的特征提取，从而得到融合HI。在此基础上，采用VMD算法对融合HI进行分解、重构，过程中使用LSTM算法对分解后的模态分量进行预测，进一步得到重构HI。最后将重构HI、电池容量分别作为GPR模型的输入和输出，建立预测模型，实现锂电池的剩余寿命预测。结果表明，本发明所提方法具有理想的可靠性、稳定性和准确性。
-
公开(公告)号：CN112685910B
公开(公告)日：2022-11-18
申请号：CN202110029485.7
申请日：2021-01-11
Applicant: 大连理工大学
IPC: G06F30/20
Abstract: 本发明属于复杂装备的故障预测技术领域，提供了一种基于混合预测模型的复杂装备电源组故障预测方法。首先分析复杂装备电源组的典型故障，并提取其中的核心属性集，将电源模块的时间序列分为线性部分和非线性部分，利用差分整合移动平均自回归模型对线性部分进行预测，对得到的残差利用人工神经网络模型进行预测，并将非线性部分的预测结果与线性部分的预测结果进行加和得到电源组的预测结果。并通过混合模型对核心属性并行参数进行监测，结合上、下限预警的状态监测方式，得到电源组的运行状态信息。本发明的基于混合预测模型复杂装备电源组故障预测方法，能有效实现对复杂装备电源组核心属性时间序列的准确预测，并有效降低电源组的虚警率。
-
公开(公告)号：CN114742097A
公开(公告)日：2022-07-12
申请号：CN202210285394.4
申请日：2022-03-23
Applicant: 大连理工大学
Abstract: 本发明提供一种基于轴承振动信号自动确定变分模态分解参数的优化算法，属于信号分解技术领域。首先，利用模态能量反映带宽大小，建立带宽优化子模型，用于自动获取最优带宽参数αopt。其次，建立能量损失优化子模型，用于避免发生欠分解现象。再次，建立模态平均位置距离优化子模型，用于防止过多K的产生避免发生过分解现象。最后，综合考虑带宽参数α和模态总数K之间的相互作用、模态分量之间的相互影响以及重构信息的完整性，利用对数函数进行非线性变换，使三个优化子模型的值形成相似的尺度，获得能够自动确定最优VMD参数αopt和Kopt的优化模型，并建立VMD算法分解性能量化评价指标。本发明能够定性定量的给出该优化算法具有更高精度的信号分解性能。
-
公开(公告)号：CN116050247B
公开(公告)日：2024-07-05
申请号：CN202211555055.X
申请日：2022-12-06
Applicant: 大连理工大学
IPC: G06F30/27 , G06F17/13 , G06N3/04 , G06N3/08 , G06F119/14
Abstract: 一种用于求解未知外部驱动力作用下的有界振动杆位移分布的耦合物理信息神经网络，提出一种新的PINN，称为C‑PINN，用于求解有界振动杆在具有较少或甚至没有任何先验信息的外部驱动力作用下的位移分布。包含两个神经网络，NetU和NetG。NetU逼近满足所研究有界振动杆的位移分布；NetG用于正则化NetU中的u以满足NetU逼近的位移分布。将两个网络集成为一个数据‑物理混合的损失函数中。此外，利用所提出的分层训练策略对该损失函数进行优化，实现两个网络的耦合。最后，验证C‑PINN在求解有界振动杆在外部驱动力作用时位移分布的性能。本发明的C‑PINN适用于解决具有外部驱动作用下并与时间空间具有依赖关系的多类动态系统，即包括求解在外部热源作用下的温度分布，电磁波在外源影响下的电磁分布等。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.017 seconds)
