-
公开(公告)号：CN117668538A
公开(公告)日：2024-03-08
申请号：CN202311563366.5
申请日：2023-11-22
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G06F18/214 , G06F18/22 , G06F18/15 , G06N3/045 , G06N3/0442 , G06N3/0499 , G06N3/084 , G06F17/18
Abstract: 一种基于改进VMD和Bi‑GRU的时间序列预测方法和系统，涉及信息处理技术领域。解决现有使用神经网络方法对小样本数据进行时序预测忽略细节特征，预测效果不理想的问题。所述方法包括：对时间序列数据进行预处理，获得时间序列样本数据；采用改进的VMD方法将时间序列样本数据分为K个不同频域上的子序列；计算子序列的多尺度样本熵，根据计算结果将K个子序列进行分组；根据多尺度样本熵分组结果，选择不同的Bi‑GRU的时间序列预测模型库，进行预测；将预测结果和多尺度样本熵分组结果输入至BP神经网络，进行数据重构，获取最终时间序列的预测结果。应用于电动汽车电池领域。
-
公开(公告)号：CN115684799A
公开(公告)日：2023-02-03
申请号：CN202211367535.3
申请日：2022-11-03
Applicant: 哈尔滨工业大学
IPC: G01R31/00 , G01R31/327 , G01R31/54 , G06N3/0464 , G06N3/08
Abstract: 本发明是一种基于数据驱动的三相PFC转换器间歇故障检测方法。本发明涉及电子测量技术领域，本发明采集三相PFC转换器的输出x(t)，持续时间4ms；基于经验模态分解EMD方法对x(t)进行分解，得到n个IMFs；在n个IMFs中选取与原输出数据最相关，且彼此最不相关的m个IMFs进行统计特征值提取；对选取的特定的IMF进行统计特征提取；训练卷积神经网络；采集待测三相PFC的输出数据，根据得到的特征值将特征值作为训练好的卷积神经网络的输入，得到神经网络的输出，判断三相PFC转换器是否出现故障。
-
公开(公告)号：CN102323541A
公开(公告)日：2012-01-18
申请号：CN201110136727.9
申请日：2011-05-25
Applicant: 哈尔滨工业大学
IPC: G01R31/3185
Abstract: 基于参考向量和位掩码的SOC的测试方法，涉及SOC的测试方法，解决了现有测试方法在对IP核进行检测时，存在压缩率有待提高的问题，它包括步骤一、把测试数据进行压缩；步骤二、将压缩后的数据传输并存储在ATE上；步骤三、在测试时通过芯片上的解压结构对压缩数据解压缩，还原成测试数据；步骤四、用测试数据对SOC进行测试；步骤一的压缩过程包括：步骤一一、根据目标子向量的位数将测试集TD进行划分；步骤一二、选择子向量集中重复率最高的子向量作为参考向量；步骤一三、对于每一个测试子向量进行编码；步骤一四、整合成压缩后的的测试向量。用于基于可复用IP核设计的SOC的测试。
-
公开(公告)号：CN117787470A
公开(公告)日：2024-03-29
申请号：CN202311621554.9
申请日：2023-11-30
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G06Q10/04 , G06F18/15 , G06F18/2131 , G06N3/0442 , G06F18/214
Abstract: 一种基于EWT和集成方法的时序预测方法和系统，涉及信息处理技术领域。解决现有非平稳的时间序列数据使用神经网络方法进行时序预测会忽略一些细节特征，预测效果不理想，存在局限性的问题。所述方法包括：对时间序列数据进行预处理，得到时间序列数据；根据经验小波变换EWT方法分解时间序列样本数据，获取残差趋势分量和细节分量IMF；采用高斯过程回归GPR对残差趋势项进行预测，获取预测的残差趋势项；采用TAM‑BiLSTM网络模型对细节分量IMF进行预测，获取预测的细节分量；将所述预测的残差趋势项和预测的细节分量叠加重构，获取最终的时间序列的预测结果。应用于金融科技、社会科学、交通流量等领域。
-
公开(公告)号：CN117687297A
公开(公告)日：2024-03-12
申请号：CN202311563594.2
申请日：2023-11-22
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G05B13/04 , G06F18/2433 , G06F18/214 , G06N3/0442 , G06N3/042 , G06N3/045 , G06N3/088
Abstract: 基于自适应关联分析的图神经网络融合的航天器控制系统异常检测方法，涉及系统故障、异常检测技术领域。解决现有的异常数据主要隐藏在大量的正确点中，难以复制，导致无法完全利用正常数据的无监督学习来探索内在规律的问题。本发明提供以下方案，采集航天控制系统领域多维的时序数据，对时序数据进行转换，获得离散变量序列；对离散变量序列进行自适应边分析，得到邻接矩阵A；构建图结构的邻接矩阵，获得LSTM‑图网络；采用LSTM‑图网络模型对离散变量序列进行提取，获得每个变量的时序特征；将时序特征输入到LSTM‑图网络中，获得预测数据；根据误差阈值对处理后的预测数据进行判定，获得异常数据的存储位置。还适用于航天器控制系统异常检测和阈值检测中。
-
Patent Agency Ranking
公开(公告)号：CN116627801A
公开(公告)日：2023-08-22
申请号：CN202310426677.0
申请日：2023-04-20
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
Abstract: 基于出口排序的复杂控制系统测试调度方法、设备、介质和产品，属于自动化测试技术领域，解决复杂控制系统性能和效率较低问题。本发明的方法包括：本发明的基于出口排序的复杂控制系统测试调度方法通过采用各测试任务的出口排序值作为蚁群算法中的启发函数，很大程度上将任务间的优先级关系、通信代价耦合到算法最优解的搜索中，有效提高了对最优解的搜索效率，提高了算法的优化性能，进而提高了复杂控制系统性能和效率。本发明适用于优化复杂控制系统测试任务调度。
-
公开(公告)号：CN102353894B
公开(公告)日：2013-08-14
申请号：CN201110248480.X
申请日：2011-08-26
Applicant: 哈尔滨工业大学
IPC: G01R31/3185
Abstract: 基于参考向量和位掩码的SOC的测试方法，涉及SOC的测试方法，解决了现有测试方法在对IP核进行检测时，存在压缩率较低的问题，它包括步骤一：把电路对应的测试数据进行压缩；步骤二：将压缩后的数据传输并存储在ATE上；步骤三：通过芯片上的解压结构对压缩数据解压缩，还原成测试数据；步骤四：用测试数据对IP核进行测试。本发明方法的压缩效率高，高于同类的20％以上，没有增加额外的硬件冗余。用于基于可复用IP核设计的SOC的测试。
-
公开(公告)号：CN102353894A
公开(公告)日：2012-02-15
申请号：CN201110248480.X
申请日：2011-08-26
Applicant: 哈尔滨工业大学
IPC: G01R31/3185
Abstract: 基于参考向量和位掩码的SOC的测试方法，涉及SOC的测试方法，解决了现有测试方法在对IP核进行检测时，存在压缩率较低的问题，它包括步骤一：把电路对应的测试数据进行压缩；步骤二：将压缩后的数据传输并存储在ATE上；步骤三：通过芯片上的解压结构对压缩数据解压缩，还原成测试数据；步骤四：用测试数据对IP核进行测试。本发明方法的压缩效率高，高于同类的20％以上，没有增加额外的硬件冗余。用于基于可复用IP核设计的SOC的测试。
-
公开(公告)号：CN102323540A
公开(公告)日：2012-01-18
申请号：CN201110136725.X
申请日：2011-05-25
Applicant: 哈尔滨工业大学
IPC: G01R31/3185
Abstract: 一种基于编码的SOC的测试方法，涉及SOC的测试方法，解决了编码方法在对无关位进行赋值时未考虑到最优化方法，从而损失了潜在的压缩效率的问题，它包括如下步骤：步骤一、把测试数据进行压缩；步骤二、将压缩后的数据传输并存储在ATE上；步骤三、通过芯片上的解压结构对压缩数据解压缩，还原成测试数据；步骤四、用测试数据对SOC进行测试；步骤一的压缩过程如下：步骤一一、将测试向量排列成逐位移入的数据流；步骤一二、采用动态规划方法对测试数据中的无关位赋值；步骤一三、求非负整数序列A，使得总代价函数Y(A)最小；步骤一四、对赋值完后的测试向量进行划分；步骤一五、对测试数据进行压缩。用于大规模集成电路测试。
-
公开(公告)号：CN114595767B
公开(公告)日：2025-01-10
申请号：CN202210223287.9
申请日：2022-03-07
Applicant: 哈尔滨工业大学
IPC: G06F18/22 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06F17/18
Abstract: 一种具有时间序列状态变量的工业设备故障检测方法，属于工业设备故障检测领域。本发明针对现有工业系统的故障检测依赖故障数据建立检测模型，故障数据获取难度大造成方法难以适用的问题。包括：采集时间序列状态数据作为训练数据；计算训练数据m维特征变量的均值和标准差，并对训练数据进行标准化；对标准化后时间序列数据采用滑动窗口进行分割得到序列数据P，对LSTM自编码网络进行训练；再基于训练后LSTM自编码网络获得训练数据的误差序列；基于极值理论的方法对误差序列进行分析，得到故障阈值；再基于待检测设备序列数据对故障阈值进行调整，得到调整后阈值，进而实现工业设备的故障检测。本发明用于变量具有时序特征的工业设备的故障检测。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.034 seconds)
