公开(公告)号：CN118643740A

公开(公告)日：2024-09-13

申请号：CN202410749956.5

申请日：2024-06-12

Applicant: 西北工业大学

Inventor： 陈绍炜 ,  廖鑫源 ,  赵帅 ,  杜玥妍 ,  高健 ,  高萌

IPC: G06F30/27 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/082 ,  G06F30/15 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明公开了一种用于三电系统温度预测的门控状态空间模型建立方法，属于系统热管理领域，更具体地涉及电动汽车的电机、电控和电池组的温度预测领域。该方法的具体过程包括：估计初始状态；控制输入与状态更新；系统输出；Gated State‑Space Model框架建立；损失函数定义。本发明的有益效果包括：将门控循环单元与状态空间模型相结合，实现了对电动汽车三电系统温度预测误差为1.04度的预测性能，对于高效的热管理系统设计具有极大的现实意义；引入新颖的光滑约束损失函数，约束门控状态空间模型的系统状态转移符合现实物理意义，使其具有更高的可解释性和可信度。

公开(公告)号：CN117371180A

公开(公告)日：2024-01-09

申请号：CN202311191524.9

申请日：2023-09-15

Applicant: 西北工业大学

Inventor： 赵帅 ,  廖鑫源 ,  陈绍炜 ,  张金玲 ,  陈雨含 ,  王琰 ,  李奇 ,  王诗音

IPC: G06F30/20 ,  G06F30/17 ,  G06F30/27 ,  G06N3/048 ,  G06N3/049 ,  G06N3/084 ,  G06F119/04 ,  G06F119/02 ,  G06F111/06

Abstract: 本发明公开了一种针对航空发动机的轻量级高性能的健康状态估计，故障模式估计与可靠性评估的联合方法，属于系统可靠性评估领域。该方法通过一个基于自注意力机制的特征提取网络(x‑NN)将不能可视化的高维原始传感器数据映射到3维隐藏状态空间中，通过样本点在隐藏状态空间中所处的位置来判断该样本的健康状态和可能发生的故障模式。针对剩余使用寿命预测，本发明利用结合多工况建模方法的简单多层感知机模型来映射隐藏状态到剩余使用寿命。并且为了减小模型规模，本发明利用基于自注意力机制的深度隐藏物理模型(deepHPM)来正则化隐藏状态到剩余使用寿命的映射网络，深度隐藏物理模型和映射网络共同构成物理信息神经网络(PINN)。

公开(公告)号：CN118760918A

公开(公告)日：2024-10-11

申请号：CN202410669290.2

申请日：2024-05-28

Applicant: 西北工业大学

Inventor： 赵帅 ,  古淳月 ,  陈绍炜 ,  龙云翔 ,  廖鑫源 ,  徐钊 ,  高萌

IPC: G06F18/2337 ,  G06F18/214 ,  G06F18/23213 ,  G06F17/10 ,  G06N5/04 ,  G06N3/04 ,  G06N3/0985

Abstract: 本发明公开了一种基于改进模糊宽度学习的机电系统边缘端故障诊断方法，属于边缘端机电设备故障诊断应用领域。该方法基于边缘端有限的计算资源，实现故障诊断模型在边缘端进行推理诊断以及模型在线训练更新。针对模型故障诊断精度不高的问题，映射节点层采用Takagi‑Sugeno模糊模型，在宽度学习中引入专家经验，在边缘端实现增强节点的增量学习，提升诊断正确率，实现模型在线训练更新。针对模型超参数选取复杂的问题，使用减法聚类改进的模糊C均值聚类实现对模糊宽度学习的改进，改进模糊宽度学习实现了超参数的自动选择；针对模型增量问题，提出增强节点增量方法，实现模型在线更新，进一步提升诊断正确率；针对边缘端部署机器学习模型困难的问题，基于Matlab Coder工具箱，提出一种边缘端移植部署方案，在STM32单片机上实现宽度学习推理运算。

公开(公告)号：CN118709624A

公开(公告)日：2024-09-27

申请号：CN202410749955.0

申请日：2024-06-12

Applicant: 西北工业大学

Inventor： 赵帅 ,  张金玲 ,  陈绍炜 ,  高健 ,  廖鑫源 ,  高萌

IPC: G06F30/36 ,  G06F30/27 ,  G06N3/045 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明公开了一种基于深度算子网络的模拟电路动态行为建模方法，属于电路状态估计领域。该方法主要步骤分为选取与生成电路激励函数f(t)、采集电路响应函数真实值y(t)、建立DeepONet模型。本发明的有益效果是：一方面，对于训练好的模型,其可以在任意的、未知的f(t)表现出良好的泛化性，实现响应函数在任一时间点的预测，完成电路从输入端到输出端的功能映射，打破输入的局限性，为能够解决同一类问题而并非特定的一个问题提供了可行的实际操作方案；另一方面，由于其网络结构的特殊性，其无离散化与网格约束且适应数据未对齐的场景，详细内容在实施例效果中进行说明。

公开(公告)号：CN117371305A

公开(公告)日：2024-01-09

申请号：CN202311196100.1

申请日：2023-09-15

Applicant: 西北工业大学

Inventor： 陈绍炜 ,  温鹏飞 ,  赵帅 ,  廖鑫源 ,  陈雨含 ,  古淳月 ,  窦智 ,  莫一凡 ,  高萌

IPC: G06F30/27 ,  G06N3/048 ,  G06N3/084 ,  G01R31/367 ,  G01R31/392 ,  G01R31/378 ,  G06F119/04 ,  G06F119/08 ,  G06F119/12 ,  G06F111/04

Abstract: 本发明公开了一种基于物理信息约束神经网络的锂离子电池预测与健康管理的模型融合方法，属于系统可靠性评估领域。本发明提出了一种系统RUL的模型级信息融合方法，将物理或经验退化模型代表的先验信息与退化系统的监测数据信息融合。同时，提出了一种在先验信息较少的情况下融合两个数据驱动模型的方案，并使用一种自适应的多任务损失权重调节方法来训练所提出的模型，以解决训练PINN时的损失权重调节难题。使用PINN来融合以动态模型为代表的先验信息和从健康状态监测数据中挖掘出的退化信息。并且使用DeepHPM在先验动态模型未知的情况下自动发现动态模型。在PINN的训练过程中，使用一种基于不确定度的方法自适应地均衡多项损失间的相对权重。在一个磷酸铁锂离子/石墨电池的退化实验公开数据集上验证了本发明所提出的方法。