-
公开(公告)号：CN117057458A
公开(公告)日：2023-11-14
申请号：CN202310897423.7
申请日：2023-07-21
Applicant: 成都飞机工业(集团)有限责任公司 , 哈尔滨工业大学
Abstract: 本发明涉及数据智能数据分析技术领域，特别是涉及一种基于集成学习的任务传感器精度预测方法，采用Bootstrap抽样方法有放回的构建多个子训练集，并行构建多个SVR模型，对当前子训练集的目标参数进行预测，对预测值加权平均，利用实测值和预测值的偏差计算精度的不确定性表征区间；利用上述SVR模型获得新架次任务传感器数据的精度，判断精度是否在精度的不确定性表征区间内，若是，则认为任务传感器精度合格，否则为不合格。通过本预测方法，能对精度进行精度的不确定性表征预测，从而判断任务传感器精度是否合格，进一步保证飞机实际飞行的安全性。
-
公开(公告)号：CN116500912A
公开(公告)日：2023-07-28
申请号：CN202310447006.2
申请日：2023-04-24
Applicant: 哈尔滨工业大学
IPC: G05B17/02
Abstract: 本发明是一种分布式架构的无人机集群半实物仿真装置。本发明涉及无人机集群的测试与验证技术领域，本发明所提装置的组成结构主要分为硬件层、仿真软件层及算法应用层。通过设计的集群控制算法和仿真软件，实现底层各部分硬件的激励生成和响应采集、各无人机单机之间的通信与控制、以及集群整体控制与可视化等功能。其中，算法应用层主要包括集群控制策略制定与建模、集群飞行任务规划与分配、无人机控制指令分配与分发等功能，通过结合无集群分布式仿真飞行的态势信息，对集群控制指令进行分解，分配到每个无人机单体。
-
公开(公告)号：CN115049236A
公开(公告)日：2022-09-13
申请号：CN202210627899.4
申请日：2022-06-06
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及辅助动力领域，公开了一种多元特征融合分析的辅助动力装置健康状态估计方法。分别获取PI、EGT、IGV、STA和T参数序列；对上述参数序列分别进行预处理；再进行特征提取；对提取的特征进行归一化处理，得到两个阈值；对两个阈值，分别计算两个阈值的均值，作为辅助动力装置最后的参考阈值；将各分评估指标以等权的形式相加并取均值，其结果将作为对应参数的健康状态结果分量；将各个分量等权相加取均值的结果即表征当前APU的综合健康状态。本发明用以解决辅助动力装置综合健康状态受到多指标共同作用，难以通过单一参数进行准确估计的问题。
-
公开(公告)号：CN110738311A
公开(公告)日：2020-01-31
申请号：CN201910975595.5
申请日：2019-10-14
Applicant: 哈尔滨工业大学
Abstract: 基于高层次综合的LSTM网络加速方法，属于深度神经网络嵌入式在线应用领域，本发明为解决现有LSTM网络运算复杂，嵌入式平台运算速度慢的问题。本发明具体过程为：利用MATLAB构建LSTM网络模型进行训练；分段拟合激活函数；激活函数拟合误差在阈值范围内时将LSTM网络模型转换为高级语言代码，优化代码结构，获得优化指令；在高层次综合中添加优化指令，将数据类型更换为定点，获得LSTM加速网络；采用Zynq运行平台，在PS端运行未优化加速LSTM网络，获取运行时间，在PL端运行LSTM加速网络，获得运行时间；计算加速比和误差，加速比和误差在阈值范围内时完成优化加速。本发明用于对LSTM网络加速。
-
公开(公告)号：CN117668587A
公开(公告)日：2024-03-08
申请号：CN202311340378.1
申请日：2023-10-16
Applicant: 成都飞机工业(集团)有限责任公司 , 哈尔滨工业大学
IPC: G06F18/23213 , G06F18/21
Abstract: 本申请提供一种测试数据模式划分方法、装置、设备及存储介质，涉及数据处理技术领域，用于解决多过程域的测试数据复杂模式导致任务传感器精度评估不准确的问题。该方法包括：针对飞机的任一过程域，根据模式任务特征，将所述过程域的总模式划分任务分解为多个不同尺度的子模式划分任务；根据各个子模式划分任务对应的特征参数，对所述过程域的测试数据进行K‑means无监督聚类，并行确定出所述各个子模式划分任务对应的模式划分结果；对所述各个子模式划分任务对应的模式划分结果进行合并，获得所述过程域对应的最终模式划分结果。
-
Patent Agency Ranking
公开(公告)号：CN117370153A
公开(公告)日：2024-01-09
申请号：CN202311184388.0
申请日：2023-09-14
Applicant: 成都飞机工业(集团)有限责任公司 , 哈尔滨工业大学
IPC: G06F11/36 , G06F18/25 , G06F18/213
Abstract: 本发明公开了一种高精度轻量级的多过程域异构测试数据监测方法及装置，本方法首先采集飞机任务传感器数据，对采集的数据进行融合，得到多过程域融合数据；根据多过程域融合数据的特征数量判断融合数据的维度，基于融合数据维度选择数据评估模型，将融合后的数据送入评估模型中，最终得到评估结果；若多过程域数据融合后的特征数量较大，选择基于核函数统计的高维测试数据模型作为评估模型；若多过程域数据融合后的特征数量较小，选择基于高斯过程的低维测试数据模型作为评估模型。本发明可以兼顾模型的轻量化要求与数据监测的精度要求，通过数据维度自适应地选择监测模型，大大改善了飞机任务传感器地面测试评估合格判定的准确率。
-
公开(公告)号：CN110544328A
公开(公告)日：2019-12-06
申请号：CN201910845806.3
申请日：2019-09-02
Applicant: 哈尔滨工业大学
Abstract: 一种面向机载故障预测与健康管理的嵌入式高能效计算平台及方法，涉及飞行器机载故障诊断与健康管理领域。本发明是为了解决现有飞行器PHM系统不能进行复杂的状态监测和故障诊断、而复杂的状态评估需要借助地面分析系统，导致飞行器故障不能及时被发现的问题。本发明采集机载总线上的飞行参数并存储，利用当前采集的飞行参数使用RLS算法对ARMA模型进行拟合，获得拟合结果，该拟合结果为下一时刻飞行参数的预测值，将该预测值作为飞行参数的分析结果，将分析结果发送至机载总线。满足机载故障预测与健康管理算法在功耗、体积、重量等多种限制条件下的计算实时要求。
-
公开(公告)号：CN108960303A
公开(公告)日：2018-12-07
申请号：CN201810639367.6
申请日：2018-06-20
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/6256 , G06K9/6267 , G06Q10/20
Abstract: 一种基于LSTM的无人机飞行数据异常检测方法，涉及无人机异常检测和系统健康管理领域。本发明是为了解决在无人机飞行数据异常检测中，无人机系统工作过程中产生的函数较为复杂，其逼近能力并不能满足较高拟合精度需求的问题。本发明重构无人机遥测数据相空间，获得输入向量和输出向量，获得训练样本集和测试样本集，采用TensorFlow深度学习开源框架搭建LSTM基本预测模型并进行参数进行寻优，获得最优LSTM模型进而计算LSTM预测结果；之后分别进行异常点检测和异常序列检测，最终完成无人机飞行数据异常检测。
-
公开(公告)号：CN119228964A
公开(公告)日：2024-12-31
申请号：CN202411291905.9
申请日：2024-09-14
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种用于天基红外遥感成像仿真的异构硬件光追加速方法，包括：步骤1：构建天基红外遥感场景数据库；步骤2：解析场景数据库，在CPU端进行硬件光追管线的配置，完成场景加载；步骤3：在GPU端，根据配置的硬件光追管线执行核心红外光线追踪计算任务，完成场景配置；步骤4：进行图像的渲染和处理，根据场景加载和场景配置，根据实际需求生成不同条件下的天基红外遥感仿真图像。本发明采用CPU+GPU的异构硬件架构进行光线追踪加速，将CPU的复杂指令处理能力与GPU的高并行计算能力有机结合。本发明使得计算效率提升了数十到百倍，从而实现高质量图像的实时生成，满足天基红外遥感成像对实时性和高效率的严格要求。
-
公开(公告)号：CN115114770B
公开(公告)日：2024-04-16
申请号：CN202210627845.8
申请日：2022-06-06
Applicant: 哈尔滨工业大学
IPC: G06F30/20 , G06F18/23213 , G06F17/18 , G06F111/16 , G06F111/10 , G06F119/04
Abstract: 本发明提出了一种基线自适应的辅助动力装置性能趋势分析方法，首先，构建可以用来度量不同退化特征样本之间相似性的特征，以此为基础，在整个机队搜索与之相似的轨迹以完成退化轨迹的个性化匹配工作，进而对匹配出的轨迹进行回归，以构建其个性化标准回归模型，计算样本与它的个性化回归模型之间的距离来衡量其性能偏离情况，实现APU性能趋势的有效分析；本发明抑制了个体差异及实际工作环境因素对于APU性能趋势分析的影响；分析的APU性能趋势更能反映APU健康状态的变化特性；提高了APU性能趋势分析的有效性。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.114 seconds)
