公开(公告)号：CN119449737A

公开(公告)日：2025-02-14

申请号：CN202411590375.8

申请日：2024-11-08

Applicant: 重庆邮电大学

Inventor： 王浩 ,  韦中华 ,  魏旻 ,  黄庆卿 ,  韩延

IPC: H04L47/6275 ,  H04L47/22 ,  H04J3/06

Abstract: 本发明涉及一种智能变电站时间敏感网络流量调度方法，属于时间敏感网络流量调度技术领域，包括以下步骤：S1：将智能变电站二次装置设备与TSN网络进行时间同步；S2：将变电站自动化系统中的业务数据流分为3类，分别设置每一类的相对截止时间；S3：使用流过滤和管理PSFP配置，使得截止时间临近的数据帧插入更高的优先级队列；S4：构建发送节点的传输机制；S5：构建交换机的传输机制；S6：对流门数量N和流门计算IPV的时间间隔u进行设置。

公开(公告)号：CN117272808A

公开(公告)日：2023-12-22

申请号：CN202311236135.3

申请日：2023-09-22

Applicant: 重庆邮电大学

Inventor： 韩延 ,  童仕延 ,  黄庆卿 ,  田浩 ,  张焱 ,  李鑫 ,  吴紫玉

IPC: G06F30/27 ,  G06F30/17 ,  G06F119/04

Abstract: 本发明属于机械资源预测技术领域，涉及基于不确定性加权领域泛化的滚动轴承剩余寿命预测方法，包括：获取滚动轴承振动数据，将振动数据划分为源域和不可访问的未知目标域数据集；通过建立知识蒸馏框架以捕获不受其他领域影响内部不变特征；应用相关性对齐来获取跨域互不相同的特征，同时采用正则化来增加内部不变特征和互不相同特征之间的差异；根据同源不确定性对多域泛化任务损失进行加权，确保不同任务输出之间的一致性；根据振动信号输出滚动轴承剩余使用寿命结果；本发明通过减少特征的变异性、增强特征的表征能力以及保持任务输出的一致性，有效地提高了滚动轴承剩余使用寿命预测的准确率。

公开(公告)号：CN116680643A

公开(公告)日：2023-09-01

申请号：CN202310676113.2

申请日：2023-06-08

Applicant: 重庆邮电大学

Inventor： 张焱 ,  刘卓林 ,  韩延 ,  黄庆卿

IPC: G06F18/2433 ,  G06F18/2321 ,  G06F18/213 ,  G06N3/048 ,  G06N3/0455 ,  G06N3/0895

Abstract: 本发明属于机械异常检测领域，涉及一种深度对比学习与密度聚类结合的异常检测方法；该方法包括利用对比学习提取原始数据所包含的高维特征信息；利用t‑SNE将高维特征信息转化至低维特征空间；根据最小突变距离方法确定DBSCAN聚类半径；利用DBSCAN对低维特征空间中异于正常样本的数据进行识别，实现故障检测。本发明有效避免了传统故障检测方法过度依赖人工经验、过程繁琐等问题，对比学习和t‑SNE将原始数据映射至低维特征空间，两者相结合可以使高维数据在低维空间中依然可以保留高维空间所包含的特征信息，最小突变距离的参数设置方法可以实现根据数据特征自动设置参数，DBSCAN可以实现对空间中的异常样本自动检测。

公开(公告)号：CN116010818A

公开(公告)日：2023-04-25

申请号：CN202310065639.7

申请日：2023-01-13

Applicant: 重庆邮电大学工业互联网研究院

Inventor： 黄庆卿 ,  李超 ,  韩延 ,  张焱 ,  王平 ,  魏旻 ,  王浩

IPC: G06F18/214 ,  G06F18/241 ,  G06N3/084 ,  G06F18/213

Abstract: 本发明属于齿轮箱故障诊断技术领域，具体涉及一种基于边界增强原型网络的齿轮箱故障诊断方法；该方法包括：获取齿轮箱历史故障数据并划分为训练集和测试集；对训练集进行故障特征提取；采用具有时序学习能力的时序注意力模块处理故障特征，得到关键时序特征；根据关键时序特征计算类原型；根据类原型和关键时序特征的分布信息计算近邻边界度量损失；判断齿轮箱故障类别并计算分类损失；根据度量损失和分类损失计算总损失并优化网络参数，得到训练好的边界增强原型网络；将测试集中输入训练好的边界增强原型网络中，得到齿轮箱故障诊断结果；本发明可提取故障状态更敏感的关键时序特征，修正度量空间中的特征分布，提高齿轮箱的故障诊断精度。

公开(公告)号：CN114739659A

公开(公告)日：2022-07-12

申请号：CN202210456304.3

申请日：2022-04-28

Applicant: 重庆邮电大学

Inventor： 韩延 ,  牛少博 ,  黄庆卿 ,  王子龙 ,  张焱 ,  胡欣堪

IPC: G01M13/02 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及齿轮箱状态监测技术，具体为基于特征粒度对齐的变工况下齿轮箱故障诊断方法及装置。所述方法包括采集不同工况下的轴承振动数据并预处理；利用特征提取器分别提取源域数据和目标域数据特征，并计算得到两种领域之间的CMMD和FMMD，以及CFMMD；利用分类器生成源域数据的预测标签；计算出其原始标签与预测标签之间的预测损失，根据CFMMD计算出距离损失；以最小化损失和为目标函数，训练深度卷积神经网络模型；利用训练后的特征提取器提取出目标域数据特征，利用训练后的分类器对目标域数据特征进行处理，预测得到目标域数据的故障类型。本发明提高了旋转机械变工况的故障诊断效率和准确率。

公开(公告)号：CN114354185A

公开(公告)日：2022-04-15

申请号：CN202111636409.9

申请日：2021-12-29

Applicant: 重庆邮电大学 ,  重庆工业大数据创新中心有限公司

Inventor： 韩延 ,  文瑞 ,  方能炜 ,  胡小林 ,  朱林全 ,  龙萍 ,  苏祖强

IPC: G01M13/028 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及仿真分析技术领域，具体涉及一种基于解耦网络的齿轮箱故障诊断方法，包括获取历史故障数据样本作为训练数据；将训练数据输入基于MMD距离的解耦网络，解耦网络进行训练过程中计算解耦损失和分类损失，并将解耦损失与分类损失融合，反向传播损失，优化网络参数；将待检测故障的数据输入完成训练的解耦网络，通过该网络预测故障类型；本发明中的解耦网络在分类器之前加入了MMD距离，在特征空间中增大各个故障类别的之间的距离，从而提高齿轮箱的故障诊断精度。

公开(公告)号：CN113297798A

公开(公告)日：2021-08-24

申请号：CN202110649204.8

申请日：2021-06-10

Applicant: 重庆邮电大学工业互联网研究院

Inventor： 产林平 ,  黄庆卿 ,  韩延 ,  袁雪 ,  王平

IPC: G06F30/27 ,  G06F119/14

Abstract: 本发明属于机器人控制技术领域，特别涉及一种基于人工神经网络的机器人外界接触力估计方法，包括对机器人动力学模型进行变型处理，将其分成线性模型部分和非线性模型部分；采用径向基函数神经网络对非线性部分进行近似逼近，构建基于径向基函数神经网络的自适应观测器来估计模型非线性部分和未知干扰；将估计出的模型非线性部分和未知干扰反馈到系统模型中，对相应部分进行补偿，获取线性化的机器人动力学模型；当外界施加力作用在机器人上时，根据线性化的机器人动力学模型，构建主观观测器对外界施加力进行估计；本发明有效地抑制各种干扰影响的同时，对系统模型非线性部分进行了在线估计并将其反馈补偿，实现对机器人模型的线性化和简单化。

公开(公告)号：CN114739659B

公开(公告)日：2025-04-18

申请号：CN202210456304.3

申请日：2022-04-28

Applicant: 重庆邮电大学

Inventor： 韩延 ,  牛少博 ,  黄庆卿 ,  王子龙 ,  张焱 ,  胡欣堪

IPC: G01M13/02 ,  G06F18/2415 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及齿轮箱状态监测技术，具体为基于特征粒度对齐的变工况下齿轮箱故障诊断方法及装置。所述方法包括采集不同工况下的轴承振动数据并预处理；利用特征提取器分别提取源域数据和目标域数据特征，并计算得到两种领域之间的CMMD和FMMD，以及CFMMD；利用分类器生成源域数据的预测标签；计算出其原始标签与预测标签之间的预测损失，根据CFMMD计算出距离损失；以最小化损失和为目标函数，训练深度卷积神经网络模型；利用训练后的特征提取器提取出目标域数据特征，利用训练后的分类器对目标域数据特征进行处理，预测得到目标域数据的故障类型。本发明提高了旋转机械变工况的故障诊断效率和准确率。

公开(公告)号：CN113920348B

公开(公告)日：2025-03-18

申请号：CN202111175109.5

申请日：2021-10-09

Applicant: 重庆邮电大学

Inventor： 苏祖强 ,  张小龙 ,  韩延 ,  于洪 ,  罗茂林 ,  余建航

IPC: G06V10/762 ,  G06V10/774 ,  G06N3/084 ,  G06N3/0895 ,  G06N3/096 ,  G06N3/0464

Abstract: 本发明涉及一种基于半监督动量原型网络的风力发电机组齿轮箱诊断方法，属于故障诊断领域。该方法包括半监督动量原型网络训练与故障诊断识别两个流程；1、半监督动量原型网络训练：2、风力发电机组齿轮箱故障诊断：本发明结合半监督中的伪标签学习与小样本学习中的半监督动量原型网络，提出了一种基于半监督动量原型网络的风力发电机组齿轮箱故障诊断方法，该方法充分利用了无标记样本中包含的故障信息，大幅度减轻了原型网络由于标记样本稀缺导致的过拟合现象，增强了半监督动量原型网络在进行微调时的稳定性和准确性。

公开(公告)号：CN119561736A

公开(公告)日：2025-03-04

申请号：CN202411662511.X

申请日：2024-11-20

Applicant: 重庆邮电大学

Inventor： 王浩 ,  傅立 ,  魏旻 ,  韩延

IPC: H04L9/40 ,  H04L43/18 ,  G06N3/043 ,  G06N3/08

Abstract: 本发明涉及一种基于改进SeqGAN的协议模糊测试方法及系统，属于协议模糊测技术领域。该方法包括：收集基础数据并对数据进行预处理，设计生成测试用例的生成器Gα以及分别用于评估测试用例的通过率和多样性的判别器Dγ和Dλ，设计混合奖励，并基于混合奖励采用两个判别器对测试用例进行评估；对生成器和两个判别器设计对应的损失函数，并分别进行梯度更新，进行并完成训练。该系统的测试用例生成模块用于执行协议模糊测试方法得到测试用例，再通过模糊测试执行模块执行测试，日志模块记录测试结果和中间过程响应。本发明确保了生成序列的准确性，显著提升了生成用例的多样性，从而更有效地覆盖协议的边界情况，增强了协议模糊测试的效率和覆盖率。