-
公开(公告)号：CN115545092A
公开(公告)日：2022-12-30
申请号：CN202211057935.4
申请日：2022-08-31
Applicant: 哈尔滨工业大学(威海)
Abstract: 本申请提供了一种基于深度孪生自注意力网络的航空发动机小样本故障诊断方法，采用时间序列聚类和孪生神经网络相结合，实现航空发动机小样本故障的诊断。本申请通过学习一种相似性度量来解决小样本条件下多标签分类问题，有效地提高小样本条件下多故障分类的准确率，有效地缓解深度神经网络的过拟合问题；使用SANet作为孪生神经网络的特征提取模块，以期学到更丰富的时序特征，进而提高不同类型样本在映射空间中的可分性；SANet可以同时提取时间序列的短期依赖和长期依赖，并在提取长期依赖方面优于RNN模型；有效地缓解样本不均衡所带来的训练问题，对故障样本的诊断效果更佳。
-
公开(公告)号：CN115329832A
公开(公告)日：2022-11-11
申请号：CN202210743445.3
申请日：2022-06-28
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明涉及一种能够提升设备故障诊断效率和准确率的基于图论解耦和概率融合的多部件机械系统故障诊断方法，其特征在于，通过传感器获得多部件机械系统的运行参数，根据运行参数的可观测性和输出可达性，划分获得多个可观测的子系统，根据划分后的各个子系统建立多部件机械系统的状态空间模型，随后将传感器测得的数据作为输入项，通过无迹卡尔曼滤波处理后，获得空间状态模型的输出残差，根据贝叶斯原理由输出残差计算得到条件概率，同时通过支持向量机对测量数据进行分类获得后验概率，以贝叶斯线性混合的方式，将条件概率与后验概率进行融合获得新的概率，以融合后的概率作为分析标准，结合阈值输出多部件机械系统的状态评估结果。
-
公开(公告)号：CN118731751A
公开(公告)日：2024-10-01
申请号：CN202411056529.5
申请日：2024-08-02
Applicant: 哈尔滨工业大学(威海) , 中国电器科学研究院股份有限公司
IPC: G01R31/392 , G01R31/367
Abstract: 基于融合注意力机制和深度卷积的锂电池SOH估计方法，属于电化学、计算机等交叉技术领域。现有缺少同时兼顾精度和效率的锂电池SOH的估计方法的问题。采集锂电池在每次充放电循环下的电压数据、电流数据和当前可用最大容量，根据当前可用最大容量计算获得SOH；利用多种统计学方法对每次充放电循环下的电压和电流数据进行处理，得到多种衰退特征；获得同一种衰退特征与SOH的皮尔逊相关系数和与SOH的斯皮尔曼相关系数的平均值，作为对应衰退特征的相关系数；从多种衰退特征的相关系数中选出最大值所对应的衰退特征作为最优衰退特征；利用最优衰退特征和对应的SOH训练网络，得到训练完成的模型；利用训练完成的模型预测出该锂电池的SOH。用于预测锂电池SOH。
-
公开(公告)号：CN118211136B
公开(公告)日：2024-08-06
申请号：CN202410634398.8
申请日：2024-05-22
Applicant: 哈尔滨工业大学(威海)
IPC: G06F18/2413 , G06F18/22 , G06F18/213 , G06F18/214
Abstract: 本发明涉及数据处理技术领域，具体的说是一种能够通过对数据集中难分样本的有效挖掘处理，显著提高数据处理效率和准确率，进而提高复杂设备故障诊断分析结果准确率的基于围栏损失函数的数据处理方法及装备故障诊断方法，其特征在于，利用深度模型将输入数据映射到一个高维空间中，并执行以下步骤：步骤1：难分样本识别，利用围栏边界来区分每种类别中的难分样本；步骤2：难分样本优化与归类，其中利用围栏学习将难分样本优化至对应的围栏中，通过计算样本到类中心的距离对难分样本进行归类，与现有技术相比，通过深度围栏学习致力于挖掘更多难分样本的信息，来促进数据分类准确性，进而提高设备故障数据诊断性能。
-
公开(公告)号：CN117909899A
公开(公告)日：2024-04-19
申请号：CN202410035649.0
申请日：2024-01-09
Applicant: 哈尔滨工业大学(威海) , 中国航发控制系统研究所
IPC: G06F18/2433 , G06F18/214 , G06F17/18
Abstract: 本申请涉及航空发动机检测技术领域，具体为一种基于多分布概率融合的航发批量部件异常检测方法，采用数理统计方法对批量数据进行多种分布类型的概率密度函数的拟合，采用BA值作为投票权重对批量数据进行异常检测，判断数据是否异常。本申请提供的基于多分布概率融合的航发批量部件异常检测方法，通过拟合多种数据分布函数，获得数据分布的异常上下边界，实现对异常批量部件的有效监控，从而降低未知故障的发生概率。
-
Patent Agency Ranking
公开(公告)号：CN116415201B
公开(公告)日：2023-08-15
申请号：CN202310667541.9
申请日：2023-06-07
Applicant: 哈尔滨工业大学(威海)
IPC: G06F18/2433 , G06F18/10 , G06F18/214 , G06F18/21 , G06F18/213 , G06N3/0455 , G06N3/09
Abstract: 本发明涉及船舶推进动力检测技术领域，具体的说是一种能够对船舶主机运行状态进行准确检测的基于深度同心学习的船舶主动力异常检测方法，通过构建一种新的深度表征学习方法，即深度同心学习（DCL），从而致力于学习一种新的潜在表征来有效地分离不同类别间的样本，以促进船舶主机状态异常检测性能，解决了传统基于DAE的表征学习与异常检测任务优化目标不一致造成检测性能不理想的问题。
-
公开(公告)号：CN119293977B
公开(公告)日：2025-05-09
申请号：CN202411822683.9
申请日：2024-12-12
Applicant: 哈尔滨工业大学(威海)
IPC: G06F30/15 , G06F30/27 , G06N20/20 , G06N5/01 , G06F119/08 , G06F119/14
Abstract: 本发明涉及船舶动力故障识别处理技术领域，具体的说是一种能够提高船舶动力主机故障分析处理效率和准确率的基于热动力学辅助随机森林的船用柴油机故障处理方法，包括以下步骤：步骤1：构建一维热动力学模型来模拟船用柴油机的工作过程，并借助船舶主机数据采集系统DCM采集的数据进行模型校准；步骤2：通过标定系统关键参数，模拟船用柴油机燃烧室部件的五种典型故障，并初步输出与故障相关的热工参数；步骤3：利用随机森林进行故障预识别，计算各热工参数的SHAP值，并筛选出最具影响力的参数，参数的筛选结果将结合一维热动力学模型进行分析；步骤4：经筛选后的参数被重新输入到随机森林中进行训练和验证。
-
公开(公告)号：CN118211136A
公开(公告)日：2024-06-18
申请号：CN202410634398.8
申请日：2024-05-22
Applicant: 哈尔滨工业大学(威海)
IPC: G06F18/2413 , G06F18/22 , G06F18/213 , G06F18/214
Abstract: 本发明涉及数据处理技术领域，具体的说是一种能够通过对数据集中难分样本的有效挖掘处理，显著提高数据处理效率和准确率，进而提高复杂设备故障诊断分析结果准确率的基于围栏损失函数的数据处理方法及装备故障诊断方法，其特征在于，利用深度模型将输入数据映射到一个高维空间中，并执行以下步骤：步骤1：难分样本识别，利用围栏边界来区分每种类别中的难分样本；步骤2：难分样本优化与归类，其中利用围栏学习将难分样本优化至对应的围栏中，通过计算样本到类中心的距离对难分样本进行归类，与现有技术相比，通过深度围栏学习致力于挖掘更多难分样本的信息，来促进数据分类准确性，进而提高设备故障数据诊断性能。
-
公开(公告)号：CN116401596B
公开(公告)日：2023-08-22
申请号：CN202310671391.9
申请日：2023-06-08
Applicant: 哈尔滨工业大学(威海)
IPC: G06F18/241 , G06F18/10 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/048 , G06N3/082 , G06N3/084 , G06N3/0985
Abstract: 本申请属于故障诊断技术领域，具体为一种基于深度指数激励网络的早期故障诊断方法，包括以下步骤：开始；数据预处理；微弱故障信息自适应放大；网络权重优化；早期故障诊断；结束。本申请解决早期故障特征微弱、易被噪声淹没造成诊断精度不高的问题，通过提供更强的注意力关注重要的信息来提高早期故障诊断准确率；与传统注意力机制相比，优势体现在两个方面，一是提供更大的权重，二是提供更宽的权重取值范围，有利于放大重要的信息。同时，该方法可以端到端地进行训练，并且指数激励注意力权重能够自适应设置；不仅可用于机械设备故障诊断领域，还可用于其它可能含噪声的模式识别任务。
-
公开(公告)号：CN115310189A
公开(公告)日：2022-11-08
申请号：CN202110500076.0
申请日：2021-05-08
Applicant: 哈尔滨工业大学(威海)
IPC: G06F30/15 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/08
Abstract: 本发明涉及一种迁移过程神经网络预测发动机清洗后排气温度的方法，设有TPNN模型，TPNN包括变量与EGTM的映射方法以及变量之间的映射方法，其特征在于，对于数据参数与EGTM的映射方法，采用线性拟合的方式，建立所有变量与EGTM数据对应关系，实现正向和逆向求解，其中将水洗前数据进行了线性拟合，取线性函数的ti处值作为VBW，提前水洗时间CSN和水洗周期ΔCSN；将水洗后数据进行了线性拟合，取线性函数的ti处值与VBW的差值作为INC，取线性函数的斜率为DR；利用迁移过程神经网络作为水洗前后变量的映射模型，模型采用迁移技术从同类型发动机的数据中学习到初始框架，迁移到目标发动机数据中进行训练。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.026 seconds)
