-
公开(公告)号：CN117010263A
公开(公告)日：2023-11-07
申请号：CN202310339141.5
申请日：2023-04-01
Applicant: 西北工业大学
IPC: G06F30/27 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/084 , G06N3/09 , G06F18/23213 , G06F18/24 , G06F18/21 , G06F18/214 , G06F119/04 , G06F119/02
Abstract: 本发明公开了一种基于卷积神经网络和长短期记忆网络的剩余寿命预测方法，涉及剩余寿命预测领域。该方法主要分为数据预处理和训练模型两部分。预处理阶段主要完成对失效的设备监测数据进行工况信息识别，根据工况类别进行归一化和标准化，对预处理监测数据和相应的RUL同时进行滑动窗口处理得到输入样本和输出标签。模型训练阶段主要将训练样本输入CNN‑LSTM模型中进行时序特征提取和退化相关性建模，经前向传播得到输入信息的预测RUL，计算真实值和预测值的误差并利用损失函数对模型参数进行反向传播更新，重复进行直至预测损失值下降至一定范围并趋于稳定。本发明引入了Dropout和早停法来降低过拟合问题对模型预测性能带来的负面影响，提升了RUL预测的准确性，为RUL预测的退化过程建模提供了更佳的解决方案。
-
公开(公告)号：CN118761369A
公开(公告)日：2024-10-11
申请号：CN202410758393.6
申请日：2024-06-12
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于迁移学习深度算子网络的相似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)、获取最佳源模型、构建混合损失函数、源模型参数转移、微调目标模型网络参数。本发明的有益效果：充分结合了TL与DeepONet的优势，与DeepONet相比，以更低的数据采集成本、更少的迭代次数完成近似电路的动态行为建模，在精度、鲁棒性与适应性方面，具有显著优势。
-
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
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
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：CN116956692A
公开(公告)日：2023-10-27
申请号：CN202310326515.X
申请日：2023-03-30
Applicant: 西北工业大学
IPC: G06F30/25 , G06F30/27 , G06N3/0442 , G06N3/0499 , G06N3/084 , G06F119/02 , G06F119/04
Abstract: 本发明公开了一种基于粒子滤波的LSTM模型的设备寿命预测方法，涉及系统可靠性领域。该方法提出融合PF和LSTM的RUL预测方法，利用LSTM建立了PF滤波过程中的状态转移模型，改进了PF中的重采样方法使得重采样能够保留采样梯度信息用于网络模型更新。所实现的PF‑LSTM模型能够充分发挥LSTM对时间序列建模和PF对非线性、非平稳及非高斯系统的状态估计能力。原始数据经标准化处理后直接送入网络，端到端的学习保证了网络在学习过程中只关注那些与预测目标有关的特征，提高了网络序列效率和准确率。
-
Patent Agency Ranking
公开(公告)号：CN104977022B
公开(公告)日：2018-02-27
申请号：CN201410134856.8
申请日：2014-04-04
Applicant: 西北工业大学
IPC: G01C25/00
Abstract: 一种多目标跟踪系统性能评估仿真方法，采用了多种不同的途径加载目标航迹，实现了目标航迹路径的多样性，通过自定义目标航迹，最大限度的满足了用户对多样性航迹类型配置的需求；采用了雷达和红外两种传感器数据源，实现了对不同多目标跟踪系统的性能评估；采用了服务器/客户端模式，被评估算法可以运行在客户端，实现了算法保密，采用了单次与多次蒙特卡洛法相结合的方式，既能得到被评估跟踪算法性能的统计特性，又能实现对被评估算法的调试，发现算法的离散点。
-
公开(公告)号：CN111160666B
公开(公告)日：2023-06-23
申请号：CN202010002086.7
申请日：2020-01-02
Applicant: 西北工业大学
IPC: G06F30/20 , G06Q10/0637 , G06F119/02
Abstract: 本发明提供了一种强噪声与非周期状态监测的健康状态与可靠性评估方法，针对系统间的异质性问题，通过将一个模型参数松弛为一个Gamma分布的随机变量来描述系统间的异质性，针对监测时刻非周期和噪声环境下退化模型非单调的问题，联合量测方程，提出了一种Gamma状态空间模型以跟踪系统的真实退化路径并估计其剩余使用寿命，构建了一个无迹粒子滤波平滑方法以从有噪声量测值中估计真实退化状态，并采用一种随机期望最大化的方法以估计模型参数。本发明有效的解决了系统之间差异性的问题，实现了对系统真实退化路径的跟踪，从有噪声量测值中估计真实退化状态，实现了对模型参数的估计。
-
公开(公告)号：CN104978602A
公开(公告)日：2015-10-14
申请号：CN201410134830.3
申请日：2014-04-04
Applicant: 西北工业大学
Abstract: 一种提高光电跟踪系统跟踪精度的方法，采用正弦扫频法和自适应的遗传算法的方法；扫频采样采用FIFO技术，在windows系统下实时采集，保证了数据的完整性；遗传算法进行系统模型辨识时采用自适应的方式，实现了遗传算法的快速收敛，保证了全局最优；采用频域的方法对光电跟踪系统模型进行辨识，得到真实的系统模型，解决了光电稳定平台对光电跟踪系统跟踪精度的影响的问题，提高了光电跟踪系统跟踪精度。
-
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
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。
-
公开(公告)号：CN116432525A
公开(公告)日：2023-07-14
申请号：CN202310330223.3
申请日：2023-03-30
Applicant: 西北工业大学
IPC: G06F30/27 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/08 , G06F119/02 , G06F119/04
Abstract: 本发明公开了一种基于物理健康步长的卷积贝叶斯循环神经网络的寿命预测方法，涉及剩余寿命预测领域。该方法主要分为数据预处理、模型建立和模型评价三部分组成。数据预处理阶段主要包括数据集的划分、确定真实RUL标签、归一化处理和数据增强。本发明的网络模型主要由两个LSTM网络和一个CB‑LSTM网络构成。两个LSTM网络用于学习训练集和测试集的PHT信息，然后将传感器数据和获得的PHT信息输入CB‑LSTM网络进行模型训练。模型评价阶段主要进行RUL预测结果分析和不确定性量化分析。本发明提出的PHT算法实现了LT信息的处理，得到了提供健康状态的PHT信息，有效的处理了多个系统单元间信息不统一的情况，减少对模型预测精度的影响。选择两个LSTM网络将数据集中的LT信息细化为PHT信息，然后将其与传感器数据结合输入到设计的CB‑LSTM网络当中，实现RUL的预测。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.031 seconds)
