公开(公告)号：CN116362125A

公开(公告)日：2023-06-30

申请号：CN202310323825.6

申请日：2023-03-29

Applicant: 江苏科技大学

Inventor： 程德俊 ,  周凯莉 ,  张含冰 ,  张春燕 ,  张胜文 ,  方喜峰 ,  张辉 ,  朱成顺

IPC: G06F30/27 ,  G06F30/17 ,  G06F18/214 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06Q10/04 ,  G06F119/04 ,  G06F111/08

Abstract: 本发明公开了一种基于深度学习的涡扇发动机多级预测性维护方法。首先采集涡扇发动机的传感器数据和操作设置数据，进行预处理形成数据集并划分为训练集和测试集。其次将训练集输入C‑Transformer网络中，预测部件剩余寿命,利用分类准则重新为训练集和剩余寿命打标签，从而形成新的训练数据集。然后，将新训练数据集输入卷积神经网络CNN预测部件失效概率并计算系统失效概率，利用试错法得出系统维护等级。最后，将优化模型与MDU‑ABC‑K算法相结合，以总综合成本最小化为目标，输出最优动态维护策略。本发明能够为航空发动机的主动运维提供技术支撑，避免不可预测的故障，降低运营成本，减少意外停机，提高运维效率。

公开(公告)号：CN116595857A

公开(公告)日：2023-08-15

申请号：CN202310335856.3

申请日：2023-03-29

Applicant: 江苏科技大学

Inventor： 程德俊 ,  张含冰 ,  张胜文 ,  周凯莉 ,  方喜峰 ,  张春燕 ,  张辉 ,  朱成顺

IPC: G06F30/27 ,  G06F30/17 ,  G06F18/214 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06Q10/04 ,  G06F119/04

Abstract: 一种基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法，先采集滚动轴承的原始振动信号数据，对其采用滑窗分割方法得到多端振动信号数据。其次通过计算自健康数据与多段振动信号数据之间的最大均值差异度量值得到健康指标曲线变化。然后，通过对健康指标曲线引用统计过程分析方法得到轴承退化阶段。将原始振动信号数据进行数据预处理、数据集划分和打上标签送入残差网络和Adaptive‑Transformer进行训练。最后，将测试集送入Adaptive‑Transformer网络中进行预测，输出最终的滚动轴承剩余寿命预测结果。该方法考虑了各阶段轴承的RUL，将预测损失RMSE降低了0.1左右，预测精度提升4％～6％。

公开(公告)号：CN114037075B

公开(公告)日：2024-10-18

申请号：CN202111340944.X

申请日：2021-11-12

Applicant: 江苏科技大学

Inventor： 张含冰 ,  程德俊 ,  王端岩 ,  张胜文

IPC: G06N3/084 ,  F02D31/00 ,  G06N3/04 ,  G06N3/006 ,  G06N20/00

Abstract: 一种基于人工智能算法的柴油机电子调速自适应方法，先将柴油机的电流、转速数据进行标准化处理，划分数据集，在神经网络训练之前采用粒子群算法对初始特征参数进行寻优，然后基于目标函数和寻优后的特征参数构建BP神经网络，并对网络进行优化，之后根据BP网络输出的权重矩阵和偏置值重构特征参数，并利用智能算法进行自适应寻优，优化输出各节点特征参数，最终利用本发明低延迟的特点进行柴油机转速自适应调控。本发明通过智能算法对神经网络初参数的寻优以及最终重构特征参数的优化输出，将决策时间降低至毫秒级别，提高了神经网络的训练速度和精度，进一步通过自适应调控使得柴油机转速波动更小，控制效果更好，有利于实际工程应用。

公开(公告)号：CN117173449A

公开(公告)日：2023-12-05

申请号：CN202310879506.3

申请日：2023-07-17

Applicant: 江苏科技大学

Inventor： 程德俊 ,  张含冰 ,  李泽健 ,  张胜文 ,  张春燕 ,  方喜峰

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06T3/40 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了基于多尺度DETR的航空发动机叶片缺陷检测方法，先采集有缺陷叶片的X射线图像数据集,并对不平衡数据集进行数据增强；然后将特征提取网络中提取到的特征图输入多尺度融合注意力机制模块,得到加权特征图；之后将加权特征图输入多尺度特征融合模块,经过跨尺度特征融合后输出最终特征图；将添加了位置编码的特征图和目标查询序列与Transformer进行交互,并利用R‑Focal loss计算损失并进行反向传播优化模型；最后将实际工业场景中获得的缺陷图片输入网络进行检测,得到最终的检测结果，该方法通过模型训练和工业应用检验,可以提高叶片缺陷检测精度，提高检测速度，具有较高的实用价值。

公开(公告)号：CN114037075A

公开(公告)日：2022-02-11

申请号：CN202111340944.X

申请日：2021-11-12

Applicant: 江苏科技大学

Inventor： 张含冰 ,  程德俊 ,  王端岩 ,  张胜文

IPC: G06N3/08 ,  F02D31/00 ,  G06N3/04 ,  G06N3/00 ,  G06N20/00

Abstract: 一种基于人工智能算法的柴油机电子调速自适应方法，先将柴油机的电流、转速数据进行标准化处理，划分数据集，在神经网络训练之前采用粒子群算法对初始特征参数进行寻优，然后基于目标函数和寻优后的特征参数构建BP神经网络，并对网络进行优化，之后根据BP网络输出的权重矩阵和偏置值重构特征参数，并利用智能算法进行自适应寻优，优化输出各节点特征参数，最终利用本发明低延迟的特点进行柴油机转速自适应调控。本发明通过智能算法对神经网络初参数的寻优以及最终重构特征参数的优化输出，将决策时间降低至毫秒级别，提高了神经网络的训练速度和精度，进一步通过自适应调控使得柴油机转速波动更小，控制效果更好，有利于实际工程应用。