-
公开(公告)号：CN115375038A
公开(公告)日：2022-11-22
申请号：CN202211123910.X
申请日：2022-09-15
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于多模式深度神经网络的飞机发动机失效模式识别和寿命预测方法，包括：构建基于DNN的失效模式识别与寿命预测模型，以传感器测量值作为输入，输出预测的失效模式和响应变量；基于EM反向传播算法对失效模式识别与寿命预测模型进行训练，所述EM反向传播算法包括E步骤和M步骤，重复E步骤和M步骤进行模型参数的迭代更新，直至损失函数收敛，完成训练，其中，所述E步骤通过计算组件处于不同失效模式下的概率向量的后验分布概率，确定对数似然期望，所述M步骤基于对数似然期望构建损失函数，并基于反向传播算法更新模型参数；基于训练完成的失效模式识别与寿命预测模型进行预测。与现有技术相比，本发明具有识别精确度高等优点。
-
公开(公告)号：CN119416174A
公开(公告)日：2025-02-11
申请号：CN202411558395.7
申请日：2024-11-04
Applicant: 上海交通大学
IPC: G06F18/27 , G06F18/213 , G06N3/0985 , G06N3/0895 , G06N3/045 , G06N3/084
Abstract: 本发明涉及一种基于任务增量元学习的小样本下剩余寿命预测方法，包括以下步骤：获取飞机发动机的多元传感器失效信号和实际剩余寿命，并对信号进行预处理和选择；构建对偶网络，包括一个元网络和一个辅助网络，其中，元网络将每台设备的传感器数据到剩余寿命的映射视为一个回归任务，利用元学习实现自动地学习每台设备的任务特有模型；辅助网络给未失效设备的无标签样本生成伪标签；基于已失效设备的带标签数据与未失效设备的无标签数据以任务增量训练算法训练对偶网络；利用辅助网络预测测试设备样本的伪标签，元网络基于伪标签支持集更新至任务特有模型，利用任务特有模型预测测试设备的剩余寿命。与现有技术相比，本发明能够实现少量失效样本下的剩余寿命精准预测。
-
公开(公告)号：CN116127595A
公开(公告)日：2023-05-16
申请号：CN202211504814.X
申请日：2022-11-28
Applicant: 上海交通大学
IPC: G06F30/15 , G06F30/27 , G06F119/02
Abstract: 本发明涉及一种基于自适应交互学习的多工况下飞机发动机剩余寿命预测方法，包括：获取飞机发动机的多元传感器数据并进行信号预处理和信号选择；构建自适应交互学习模型并利用历史多元传感器数据进行训练，所述自适应交互学习模型基于交互式循环神经网络构建，包括相互连接的融合模型和失效过程模型，同时实现融合多元传感器数据构建发动机的健康指数HI和失效过程建模；将经过预处理的多元传感器数据输入训练完成的自适应交互学习模型，得到飞机发动机健康指数HI；基于飞机发动机健康指数HI和自适应交互学习模型参数得到飞机发动机剩余使用寿命的分布结果，实现飞机发动机的剩余寿命预测。与现有技术相比，本发明具有预测精度高等优点。
-
公开(公告)号：CN114818116A
公开(公告)日：2022-07-29
申请号：CN202210334726.3
申请日：2022-03-31
Applicant: 上海交通大学
IPC: G06F30/15 , G06F30/27 , G06Q10/04 , G06F119/02
Abstract: 本发明涉及一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，包括以下步骤：获取飞机发动机的传感器信号，根据工程中的经验失效模型和特征提取方法，从所述传感器信号中提取飞机发动机的失效特征，将该失效特征载入预先建立并训练好的深度学习网络的联合学习模型中，获取不同失效模式的概率和基于不同失效模式的剩余寿命分布，得到最终的失效模式识别结果和剩余寿命预测结果。与现有技术相比，本发明具有模型的准确性较高，大大减少了计算时间，可以巧妙地捕捉剩余寿命与失效模式之间的复杂关系等优点。
-
公开(公告)号：CN112822056B
公开(公告)日：2021-10-08
申请号：CN202110166192.3
申请日：2021-02-05
Applicant: 上海交通大学
Abstract: 本发明公布了一种基于多元时空数据融合的物联网系统建模和监控方法，利用物联网时空网络系统中采集到的多种类型的随时间和空间变化的传感器信号，建立表达物联网时空网络系统的时空相关性的多元时空自回归模型MSTA，并建立多元时空累积和(CUSUM)控制图模型，实现对物联网系统的监控。采用本发明方法，可准确描述物联网系统的时空相关性特征，并实现对物联网系统及时有效的监控，为工程实践提供有用的信息并减少由于系统安全隐患带来的经济和社会损失。
-
Patent Agency Ranking
公开(公告)号：CN113158348A
公开(公告)日：2021-07-23
申请号：CN202110556279.1
申请日：2021-05-21
Applicant: 上海交通大学
Inventor： 王迪
IPC: G06F30/15 , G06F30/27 , G06N3/04 , G06N3/08 , G06F111/08 , G06F119/02
Abstract: 本发明涉及一种基于深度学习耦合建模的飞机发动机剩余寿命预测方法，包括：获取飞机发动机的多元传感器失效信号，载入深度学习耦合模型中，获取飞机发动机随时间演变的潜在失效状态分布，得到剩余使用寿命的分布结果，实现飞机发动机的剩余寿命预测；深度学习耦合模型包括失效过程模型和融合模型，失效过程模型用于描述飞机发动机随时间演变的潜在失效状态，融合模型用于结合多元传感器失效信号，构建发动机的健康指数HI。与现有技术相比，本发明充分考虑飞机发动机失效过程状态，利用飞机发动机运行中采集到的反映其健康状态的多元传感器信号数据，实现对飞机发动机失效过程的建模和剩余寿命的预测。
-
公开(公告)号：CN117910131A
公开(公告)日：2024-04-19
申请号：CN202311807706.4
申请日：2023-12-26
Applicant: 上海交通大学
IPC: G06F30/15 , G06F30/25 , G06F30/27 , G06F18/214 , G06F18/2415 , G06N3/006 , G06N3/0442 , G06N3/08 , G06F111/08 , G06F119/02
Abstract: 本发明涉及一种基于异常值处理和受限学习的小样本下失效建模方法，包括以下步骤：获取飞机发动机的多元传感器失效信号和实际剩余寿命，并对信号进行预处理和选择；构建基于受限学习网络的失效过程模型，所述模型在训练的过程中限制模型参数的分布并对异常值进行处理，实现对失效过程模型的基函数和参数分布进行估计；以失效过程模型的参数分布作为先验分布的近似，利用贝叶斯定理得到历史飞机发动机的失效状态后验分布，利用该后验分布训练分类模型；以失效过程模型的参数分布作为先验分布的近似，利用贝叶斯定理得到在线飞机发动机的失效状态后验分布，利用分类模型基于该后验分布输出每个时刻处于健康或已失效的概率，并得到失效时刻的条件累积分布函数和剩余使用寿命。与现有技术相比，本发明具有模型参数估计准确、模型泛化能力强等优点。
-
公开(公告)号：CN112822056A
公开(公告)日：2021-05-18
申请号：CN202110166192.3
申请日：2021-02-05
Applicant: 上海交通大学
Abstract: 本发明公布了一种基于多元时空数据融合的物联网系统建模和监控方法，利用物联网时空网络系统中采集到的多种类型的随时间和空间变化的传感器信号，建立表达物联网时空网络系统的时空相关性的多元时空自回归模型MSTA，并建立多元时空累积和(CUSUM)控制图模型，实现对物联网系统的监控。采用本发明方法，可准确描述物联网系统的时空相关性特征，并实现对物联网系统及时有效的监控，为工程实践提供有用的信息并减少由于系统安全隐患带来的经济和社会损失。
-
公开(公告)号：CN113158348B
公开(公告)日：2023-10-03
申请号：CN202110556279.1
申请日：2021-05-21
Applicant: 上海交通大学
Inventor： 王迪
IPC: G06F30/15 , G06F30/27 , G06N3/0442 , G06N3/084 , G06N3/088 , G06F111/08 , G06F119/02
Abstract: 本发明涉及一种基于深度学习耦合建模的飞机发动机剩余寿命预测方法，包括：获取飞机发动机的多元传感器失效信号，载入深度学习耦合模型中，获取飞机发动机随时间演变的潜在失效状态分布，得到剩余使用寿命的分布结果，实现飞机发动机的剩余寿命预测；深度学习耦合模型包括失效过程模型和融合模型，失效过程模型用于描述飞机发动机随时间演变的潜在失效状态，融合模型用于结合多元传感器失效信号，构建发动机的健康指数HI。与现有技术相比，本发明充分考虑飞机发动机失效过程状态，利用飞机发动机运行中采集到的反映其健康状态的多元传感器信号数据，实现对飞机发动机失效过程的建模和剩余寿命的预测。
-
公开(公告)号：CN116305738A
公开(公告)日：2023-06-23
申请号：CN202211569330.3
申请日：2022-12-08
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于事件驱动的交通网络建模方法、事件预测方法及系统，本发明提出一种时空交互霍克斯过程，解决了事件驱动的动态网络建模问题，能够有效地学习历史交互事件对后续事件的影响模式，刻画网络动态变化过程。本发明所提出的时空交互霍克斯过程描述了一系列事件的发生过程，并利用相关的历史事件和相关的邻近节点，包括地理邻近节点和语义邻近节点，建立网络上任意两节点之间交互事件的发生率模型。通过最大化霍克斯过程的似然函数来估计模型参数。得到的估计结果能够充分揭示交互事件之间的复杂时空影响模式，并实现对未来时刻网络事件发生数量的预测。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.019 seconds)
