-
公开(公告)号：CN119885045A
公开(公告)日：2025-04-25
申请号：CN202510376603.X
申请日：2025-03-28
Applicant: 湖南科技大学
IPC: G06F18/2433 , F03D17/00 , G06F18/2415 , G06F18/2131 , G06F18/15 , G06N3/0455 , G06N3/096 , G06N3/006
Abstract: 本申请公开了一种基于CC‑FOA的风电机组迁移学习故障诊断方法及设备，涉及风电机组故障诊断领域，所述方法包括：采集多个风力发电机组的振动信号数据，将振动信号数据划分为源域数据和目标域数据并进行预处理；利用预处理后的源域数据训练堆叠稀疏去噪自编码器网络；利用混沌纵横交叉的果蝇优化算法对堆叠稀疏去噪自编码器网络的隐藏层数和每层神经元个数进行优化；将预处理后的源域数据和目标域数据输入堆叠稀疏去噪自编码器网络，在每层隐藏层添加联合概率最大均值差异约束，并基于误差之和重新训练所述网络；将重新训练的堆叠稀疏去噪自编码器网络应用于目标域数据，提取特征并进行故障分类。本申请可有效提高故障识别的准确性和可靠性。
-
公开(公告)号：CN118797944A
公开(公告)日：2024-10-18
申请号：CN202410948132.0
申请日：2024-07-16
Applicant: 湖南科技大学 , 湖南云箭集团有限公司
IPC: G06F30/20 , G06F30/15 , G06F17/10 , G06F119/02 , G06F119/14 , G06F111/10
Abstract: 本发明提供了一种折叠翼机构的概率盒可靠性分析方法、装置及计算机设备，涉及折叠翼机构技术领域，包括步骤：根据初始的试验设计域DoE‑1构建第一层Kriging模型，并通过学习函数U在样本池S1中选择最优样本点，并将所选择的样本点添加到试验设计域DoE‑1中，以重新构建第一层Kriging模型；第一层Kriging模型用于预测功能函数的符号；根据初始的试验设计域DoE‑2构建第二层Kriging模型，并通过学习函数EI在样本池S2中选择最优样本点，并将所选择的样本点添加到试验设计域DoE‑2中，以重新构建第二层Kriging模型；在构建第二层Kriging模型时，使用蒙特卡洛模拟MCS估算样本点的失效概率；基于第二层Kriging模型，确定失效概率的边界。本申请基于双层主动学习Kriging模型可对折叠翼机构的可靠性进行高效求解。
-
公开(公告)号：CN118582349A
公开(公告)日：2024-09-03
申请号：CN202410631934.9
申请日：2024-05-21
Applicant: 湖南科技大学
Abstract: 本发明提供了一种基于叶根实测载荷数据的风廓线测试方法和系统，涉及风电数据建模和预测技术领域，包括：首先根据风机样机的方位角数据集建立风速大小与离地高度的拟合曲线，之后获取到实际载荷数据集，构建风速‑载荷‑方位角关系模型，之后建立风速大小和载荷大小的拟合曲线；接着获取到待测风机的方位角数据，根据待测风机的方位角数据，结合风速大小与离地高度的拟合曲线获取到第一风速值，结合风速大小与载荷大小的拟合曲线，获取到参考风速值，之后将参考风速值中最接近第一风速值的风速作为该离地高度对应的风速值，从而在减少成本的同时，通过风速‑载荷的拟合曲线对风速值进行了进一步验证，也提高了风廓线的精确性。
-
公开(公告)号：CN117892099B
公开(公告)日：2024-06-18
申请号：CN202410305743.3
申请日：2024-03-18
Applicant: 湖南科技大学
Abstract: 本申请公开了一种基于概率神经网络的风电机组服役效能评估方法和系统，应用于数据处理和数据预测领域。包括：选取SCADA系统中测得的风速、转速、叶片角度和功率数据，将SCADA数据按运行特性曲线和实际运行调控将风电机组划分为若干工况，并使用时序工况划分算法TICC算法将风电机组历史SCADA运行数据划分为若干工况训练数据集，使用基于威布尔分布的概率神经网络模型对各工况训练数据集进行拟合，之后将实际数据先进行时序工况划分，之后将拟合后的模型用于实际数据进行预测，将预测值与真实值相比进行评估得到风电机组短期效能状态值。本申请具有精度高、计算快的特点且泛化性好，可广泛用于不同风电机组的服役效能评估。
-
公开(公告)号：CN117575291B
公开(公告)日：2024-05-10
申请号：CN202410053015.8
申请日：2024-01-15
Applicant: 湖南科技大学 , 湖南省计量检测研究院
IPC: G06Q10/0631 , G06Q50/06 , G06N3/098
Abstract: 本申请公开了一种基于边缘参数熵的联邦学习的数据协同管理方法，属于数据管理领域。所述方法包括：获取中心模型初始参数，进行本地模型训练，生成本地更新模型；计算本地更新模型的边缘参数熵，若更新后的边缘参数熵大于预先设置的迭代阈值，将本地更新模型传输至中心端；反复迭代，直到本地模型的边缘参数熵小于阈值。接收并利用全局中心模型确定机电系统的电力调度计划，并发送至相应的机电系统。本方案仅在本地模型更新变化显著时才传输至中心端，减少通信成本和中心端的计算负担；设定更新计划，能帮助本地端根据需求进行模型更新，提升模型训练效率；通过设定电力调度计划能减少电力资源浪费，提高机电系统对电力的利用率和运行效率。
-
Patent Agency Ranking
公开(公告)号：CN117589444B
公开(公告)日：2024-04-02
申请号：CN202410072316.5
申请日：2024-01-18
Applicant: 湖南科技大学
IPC: G01M13/021 , G01M13/028 , G06N20/00
Abstract: 本申请公开了一种基于联邦学习的风力发电机齿轮箱故障诊断方法，属于数据管理领域。所述方法包括：采集各风力发电机齿轮箱的本地数据，进行本地模型训练；接收中心端传输的全局模型，生成故障诊断本地模型并进行测试，若达到标准，则传输至中心端；接收中心端传输的故障诊断全局模型，实时监测各风力发电机齿轮箱的运行状况，若识别到异常错误信息，则将确定的风力发电机齿轮箱标识和异常错误信息传输至控制中心；接收控制中心生成的故障样本数据，对故障诊断本地模型进行更新。本方案在本地生成故障诊断本地模型，能更快适应新的故障模式，减少中心端的计算压力和通信成本；通过更新故障诊断本地模型，能提高模型的准确性和可靠性。
-
公开(公告)号：CN110918891B
公开(公告)日：2024-12-27
申请号：CN201911414076.8
申请日：2019-12-31
Applicant: 湖南科技大学
Abstract: 本发明涉及金属铸造的技术领域，尤其涉及一种铝合金薄壁件水冷金属壳型铸造装置。包括金属壳型模具，其特征在于：所述金属壳型模具通过减少铸型的壁厚降低其热容量，降低铝合金薄壁件在充型过程中的冷却速度，提高金属液在装置中的充型能力，在铝合金薄壁件充型完成后对金属壳型模具进行快速水冷，提高金属液在凝固过程中的冷却速度，加快铸件的凝固速率实现快速凝固，细化铝合金薄壁件的组织，提高力学性能，本发明解决了铝合金薄壁件充型困难、力学性能差的难题，而且金属壳型模具还可以重复使用，提高生产效率，降低制造成本和环境污染。
-
公开(公告)号：CN118886204A
公开(公告)日：2024-11-01
申请号：CN202410948134.X
申请日：2024-07-16
Applicant: 湖南科技大学 , 湖南云箭集团有限公司
Abstract: 本发明提供了一种结构参数化p‑box可靠性分析方法及装置，涉及产品可靠性分析技术领域，包括步骤S101，确定影响结构性能的不确定参数以生成参数化p‑box变量向量X，构建结构的功能函数，并进行单变量降维；步骤S102，对单变量降维的功能函数积分，计算功能函数的四阶原点矩；步骤S103，采用最大熵方法(MEM)构造功能函数的概率密度函数，并以此计算失效概率；步骤S104，基于Kr igi ng模型的全局优化算法(EGO)，对参数化p‑box变量向量X的不确定分布参数向量θ进行寻优，求出失效概率的极值。本申请通过内层通过求解统计矩计算失效概率代替传统内层采样，外层通过全局优化算法(EGO)优化快速迭代寻优替代传统方法外层采样，大大提高计算效率。
-
公开(公告)号：CN118351118A
公开(公告)日：2024-07-16
申请号：CN202410782717.X
申请日：2024-06-18
Applicant: 湖南科技大学 , 湖南省科学技术信息研究所 , 新印科技股份有限公司
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本申请公开了一种基于深度卷积神经网络的打印机外壳缺陷检测方法及装置，涉及人工智能技术领域。本申请包括：获取打印机外壳图片；使用自适应滤波算法对所述打印机外壳图片进行降噪，以获取过滤后的图片；以及使用动态路由的深度胶囊神经网络对所述过滤后的图片进行缺陷检测，以获取目标结果。通过所述方法能够强化检测模型对缺陷特征的提取能力，提高模型的检测准确率，增强检测模型的鲁棒性。
-
公开(公告)号：CN118133338A
公开(公告)日：2024-06-04
申请号：CN202410148952.1
申请日：2024-02-02
Applicant: 湖南科技大学 , 湖南省计量检测研究院
Abstract: 本申请公开了一种基于联邦学习的复杂机电系统数据协同管理系统，属于数据管理领域。所述系统包括：数据采集设备，用于采集本地数据，实时进行本地模型训练，将得到的本地更新模型发送至全局更新模型确定设备；全局更新模型确定设备，用于对本地更新模型整合，将得到的全局更新模型发送至全局模型更新设备；全局模型更新设备，用于初始化全局模型，更新全局模型，获取机电系统的电力需求信息，确定电力分配策略，发送至机电系统。本申请引入全局更新模型确定设备，使得设备间通信更灵活，提高系统整体效率；还能维持系统的负载平衡，作为一个额外的安全层，能够防止隐私泄露；通过制定电力分配策略能合理规划电力分配，提高电力系统的可靠性。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.024 seconds)
