公开(公告)号：CN119862769A

公开(公告)日：2025-04-22

申请号：CN202411913638.4

申请日：2024-12-24

Applicant: 西安交通大学

Inventor： 李响 ,  罗睿 ,  雷亚国 ,  李乃鹏 ,  杨彬 ,  冯珂 ,  曹军义 ,  武通海

IPC: G06F30/27 ,  G06F18/15 ,  G06F18/213 ,  G06F18/22 ,  G06N3/084 ,  G06N3/0985 ,  G06F111/10 ,  G06F119/06 ,  G06F123/02

Abstract: 一种基于深度学习与航行特征提取的船舶能耗智能预测方法，首先获取船舶的航行数据和航域环境数据，进行数据清洗和分析处理，去除其中的异常值和缺失值，并分析数据的变化特征；对航行数据进行时间尺度对齐，并将对齐后的航行数据与航域环境数据进行时空插值匹配；基于皮尔逊相关系数进行特征提取，以简化预测模型输入；对数据进行重叠采样，构建训练集和测试集，同时，基于深度学习方法与神经网络理论构建船舶能耗预测黑箱模型；随后，使用训练集数据对预测模型进行训练，采用梯度下降法更新模型参数，并在训练结束后保存模型参数；最后，基于测试集数据对训练完毕的预测模型性能进行验证；本发明能够有效地实现船舶能耗的准确预测。

公开(公告)号：CN119720762A

公开(公告)日：2025-03-28

申请号：CN202411781204.3

申请日：2024-12-05

Applicant: 西安交通大学

Inventor： 李响 ,  聂天宝 ,  雷亚国 ,  李乃鹏 ,  杨彬 ,  冯珂 ,  曹军义 ,  武通海

IPC: G06F30/27 ,  G06F30/15 ,  G06F18/214 ,  G06N3/045 ,  G06N3/08 ,  G06F119/04

Abstract: 一种基于声发射的飞行器结构剩余寿命在线智能预测方法，首先对飞行器结构进行疲劳实验，获得多条全寿命声发射波形流的原始数据；然后将原始数据经过滑窗采样特征提取，筛选单调性好的部分构建健康指标，随机选取部分作为测试集，剩余作为训练集，根据3σ原则进行数据集的切割，寻找起始预测点；最后在测试阶段，将测试集数据输入训练好的寿命预测模型，实现对飞行器结构剩余寿命的在线智能预测；本发明利用Densenet与对比学习结合的方式，通过智能算法对飞行器结构剩余寿命进行在线预测，具有良好的预测效果。

公开(公告)号：CN119720423A

公开(公告)日：2025-03-28

申请号：CN202411841123.8

申请日：2024-12-13

Applicant: 西安交通大学

Inventor： 雷亚国 ,  李雅宁 ,  刘晓飞 ,  李乃鹏 ,  杨彬 ,  李响 ,  武通海 ,  曹军义

IPC: G06F30/17 ,  G06F30/27 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08 ,  G06F119/02

Abstract: 一种机械装备时变工况域适配剩余寿命预测方法，首先，针对退化导致的特征分布差异，利用恒定工况全寿命退化数据训练基础预测模型；然后，根据时变工况正常阶段数据优化最优域权重并对退化阶段各工况域样本进行加权；最后根据最优传输理论微调退化的特征分布，提高剩余寿命预测精度；本发明以时变工况下的正常阶段样本为纽带，将时变工况与恒定工况下获得的退化特征分布进行适配，从而利用现有的恒工况退化数据建模时变工况下的机械装备退化规律，实现准确的剩余寿命预测任务。

公开(公告)号：CN119202836A

公开(公告)日：2024-12-27

申请号：CN202411308937.5

申请日：2024-09-19

Applicant: 西安交通大学

Inventor： 李响 ,  范伟鹏 ,  雷亚国 ,  李乃鹏 ,  杨彬 ,  曹军义 ,  武通海

IPC: G06F18/241 ,  G01M99/00 ,  G01R31/00 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/08

Abstract: 一种基于神经形态计算与多模态数据的机械智能故障诊断方法，先对振动、电流和扭矩多模态数据集预处理，并构建多模态样本集；然后建立多模态仿生脉冲神经网络模型，实现对原始多模态信息的仿生编码，建立仿生融合层实现对不同传感器信号特征的仿生融合，将多模态样本集的训练集输入模型进行训练，仿生提取多模态样本集中个性化信息并融合高级表征；再计算分类损失，迭代更新优化模型参数至训练完成，获得最终多模态仿生脉冲神经网络模型；将最终多模态仿生脉冲神经网络模型部署至神经形态硬件系统，将多模态样本集中的测试集输入神经形态硬件系统，获得测试集数据对应类别的标签；本发明实现基于多模态数据的低功耗、高精度的机械智能故障诊断。

公开(公告)号：CN119064012A

公开(公告)日：2024-12-03

申请号：CN202411242147.1

申请日：2024-09-05

Applicant: 西安交通大学

Inventor： 杨彬 ,  李雅宁 ,  雷亚国 ,  李响 ,  李乃鹏 ,  曹军义 ,  武通海

IPC: G01M13/045 ,  G01M17/10

Abstract: 一种标签噪声下轨道列车轴箱轴承的标签校正智能诊断方法，先同时构建两个不同结构的网络模型，利用其独特的视角和决策边界的不同实现对正确标签数据的提取；通过梯度交换，反向更新，实现交互作用，避免噪声标签数据的影响，获得高精度网络模型；再利用高精度网络模型对噪声标签进行校正，使得原数据集标签更加可信；再次对高精度网络模型进行训练，获取更多隐含特征，以提高模型泛化能力；本发明克服了工业数据集中出现的标签噪声问题，最终实现噪声标签的校正和故障诊断精度的提高。

公开(公告)号：CN118779645A

公开(公告)日：2024-10-15

申请号：CN202410734262.4

申请日：2024-06-07

Applicant: 西安交通大学

Inventor： 李乃鹏 ,  李鑫宇 ,  雷亚国 ,  李响 ,  杨彬 ,  李熹伟

IPC: G06F18/2131 ,  G06F18/27 ,  G06F18/15 ,  G01M13/028 ,  G01M13/021

Abstract: 一种齿轮变速箱故障边频簇惩罚回归提取方法，选取初始时刻健康阶段的振动加速度信号为基准信号，以下一段信号为故障信号并不断更新，获得傅里叶频谱，确定边频理论位置并获得边频成分幅值，进行预处理并获得归一化边频指标。进行实时稀疏group lasso回归确定各边频权重系数，通过指标SSI(Sparse group lasso Sidebands Indicator)对齿轮变速箱进行健康监测，连续触发机制实现齿轮变速箱早期故障预警，并在达到阈值后使用自适应稀疏group lasso确定参数λ值并确定各边频回归系数，最终确定故障边频及故障齿轮定位；本发明通过自数据驱动策略，提高了健康指标的趋势性，减少了对专家经验和历史数据的依赖，能够及时反映齿轮变速箱的健康状态。

公开(公告)号：CN118410706A

公开(公告)日：2024-07-30

申请号：CN202410495516.1

申请日：2024-04-24

Applicant: 西安交通大学

Inventor： 李响 ,  鲁凡 ,  雷亚国 ,  李乃鹏 ,  杨彬 ,  曹军义 ,  武通海

IPC: G06F30/27 ,  G06F30/15 ,  G06F18/21 ,  G06F18/10 ,  B64F5/60 ,  G06F119/04 ,  G06F113/26

Abstract: 一种航空飞行器结构声发射数据质量评估与智能损伤识别方法，首先，对航空飞行器结构进行疲劳破坏试验，采集原始声发射监测数据，并通过数据预处理获得训练集和测试集；然后在模型训练阶段，编码器将输入的健康状态的噪声信号压缩成高层特征，之后采用解码器将高层特征进行重构，通过最小化健康数据与重构数据之间的误差训练网络模型；最后在测试阶段，将实验中采集的所有数据都输入到模型中，将模型的重构误差作为数据质量评估的标准，对声发射损伤信号进行智能识别；本发明降低原始数据中噪声信号对后续损伤定位，判断损伤起始时间，剩余寿命预测等工作的干扰。

公开(公告)号：CN118294837A

公开(公告)日：2024-07-05

申请号：CN202410285278.1

申请日：2024-03-13

Applicant: 西安交通大学

Inventor： 李乃鹏 ,  汪明阳 ,  雷亚国 ,  李响 ,  杨彬 ,  曹军义

IPC: G01R31/392 ,  G01R31/385 ,  G01R31/378 ,  G01R31/367

Abstract: 一种非完备数据下锂离子电池剩余寿命预测方法，先构建基于健康状态(SOH)的退化模型框架，针对碎片化数据，进行时间变量转换、坐标轴旋转；再利用函数型主成分分析对退化过程进行建模，基于转换后数据建立了关于健康状态的剩余寿命预测模型；最后利用梯度下降迭代寻优算法预测锂离子电池剩余寿命；本发明具有在数据缺失情况下，能有效实现锂离子电池剩余寿命预测的优点，克服了传统方法依赖退化时间、数据缺失情况下预测精度较低等问题。

公开(公告)号：CN118228484A

公开(公告)日：2024-06-21

申请号：CN202410377915.8

申请日：2024-03-29

Applicant: 西安交通大学

Inventor： 李响 ,  林永鑫 ,  雷亚国 ,  李乃鹏 ,  杨彬 ,  曹军义 ,  武通海 ,  杨慧欣

IPC: G06F30/20 ,  G06F18/214 ,  G06F18/15

Abstract: 一种固体火箭发动机推力压强数据协同智能生成方法，首先获取固体火箭发动机的推力和压强数据，按照QJ 1047‑92标准处理，并进行时间归一化和幅值归一化，将对应的推力数据和压强数据存储在一个样本的两个通道中，构建原始样本数据集；将原始样本数据集放入到生成式扩散模型中，得到生成样本数据集，计算生成样本和原始样本余弦相似度、最大均值差异、均方误差来衡量生成样本与原始样本的相似性，并以余弦相似度为主要指标，最大均值差异和均方误差为辅助验证指标，将不符合要求的生成样本剔除，只保留生成的高质量仿真固体火箭发动机推力压强数据；本发明可协同生成高质量的固体火箭发动机推力压强数据。

公开(公告)号：CN117851750A

公开(公告)日：2024-04-09

申请号：CN202311575671.6

申请日：2023-11-23

Applicant: 西安交通大学

Inventor： 李响 ,  付春霖 ,  雷亚国 ,  李乃鹏 ,  杨彬 ,  曹军义 ,  武通海

IPC: G06F18/10 ,  G06F18/213 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/084 ,  G06Q50/04

Abstract: 一种智能制造产线低质量监测大数据智能清洗方法，首先对原始多源监测数据额外添加高斯噪声并遮掩每个样本中一定比例的子序列；采用Transformer网络将模拟噪声数据中可见的序列映射为潜在表征，并将潜在表征重构为原始数据；通过最小化重构数据与原始多源监测数据之间的均方误差使模型具备降低产线监测数据中复杂噪声的能力；最后对原始测试数据进行加噪、遮掩处理后输入到大数据智能清洗模型中测试模型清洗效果；本发明具有较强的特征提取与数据重构能力，可以有效的降低智能制造产线监测数据中的噪声成分，为后续产线设备的智能诊断等下游任务提供了数据支撑。