-
公开(公告)号：CN107730014A
公开(公告)日：2018-02-23
申请号：CN201710993647.2
申请日：2017-10-23
Applicant: 哈尔滨工业大学
Abstract: 一种基于CBM的机队维修决策方法，本发明涉及基于CBM的机队维修决策方法。本发明为了解决现有方法是针对民用航空发动机和非结构件，单机保有率达不到训练要求，及没有考虑机队的维修成本的问题。本发明包括：一：进行飞机疲劳结构的剩余寿命预测，得到疲劳结构的剩余寿命；二：根据得到的疲劳结构的剩余寿命，建立单机维修成本决策优化模型；三：根据步骤二建立的单机维修成本决策优化模型，建立机队的维修成本决策优化模型；四：建立机队保有率优化模型；五：根据步骤三和步骤四建立机队的多目标优化决策模型，根据多目标优化决策模型采用非支配排序的多目标优化算法方法确定机队各飞机疲劳结构的最优维修方案。本发明用于机队维修领域。
-
公开(公告)号：CN106919759A
公开(公告)日：2017-07-04
申请号：CN201710127047.8
申请日：2017-03-03
Applicant: 哈尔滨工业大学
IPC: G06F17/50
Abstract: 基于拟合灵敏度的航空发动机性能的广义近似建模方法及模型应用，本发明涉及航空发动机性能的广义近似建模方法及模型应用。本发明为了解决现有模型中出现的过拟合和欠拟合的问题。本发明步骤为：一：建立基于拟合灵敏度的航空发动机性能的广义近似模型；二：对建立的基于拟合灵敏度的航空发动机性能的广义近似模型的参数求解；步骤二一：设置p的取值；步骤二二：设置抑制过度欠拟合的调整系数ε；步骤二三：设置基于拟合灵敏度的航空发动机性能的广义近似模型对xk的整体压缩系数a和|xk‑yk|对xk的压缩系数b；步骤二四：根据步骤二一至步骤二三设置积分偏移量c1。本发明用于航空发动机运行、维护及安全工程领域。
-
公开(公告)号：CN106529715A
公开(公告)日：2017-03-22
申请号：CN201610957362.9
申请日：2016-10-25
Applicant: 哈尔滨工业大学
Abstract: 基于马尔科夫决策过程的航空发动机维修策略优化方法，本发明涉及航空发动机维修策略优化方法。本发明是为了解决现有技术没有考虑随机因素的影响并且仅针对单因素进行维修策略优化的问题。本发明步骤为：步骤一：航空发动机状态空间确定；步骤二：根据步骤一进行航空发动机维修动作的确定；步骤三：根据步骤二确定的航空发动机维修动作确定各动作状态转移概率矩阵；步骤四：根据步骤二和步骤三进行成本矩阵的确定及维修策略优化。本发明考虑了实际运维过程中的随机因素，并且能够在较长的寿命期内对航空发动机进行多次维修策略的滚动优化。能够为航空发动机全寿命范围内的维修策略优化提供基础支持。本发明应用于航空发动机维修优化技术领域。
-
公开(公告)号：CN102288412A
公开(公告)日：2011-12-21
申请号：CN201110113344.X
申请日：2011-05-04
Applicant: 哈尔滨工业大学
IPC: G01M15/00
Abstract: 本发明提供了一种基于损伤基线的航空发动机硬件损伤分析与寿命预测方法。根据发动机手册规定及发动机构型定义规范化的损伤描述规则，建立损伤数据库；建立基于线性退化轨道的损伤基线模型；对机队发动机的损伤数据进行线性拟合，利用极大似然估计求解损伤基线模型参数估计值；使用新获得的单台发动机的损伤数据更新损伤迹象模型，得到单台发动机的损伤增长模型；对于求得的单台发动机的硬件损伤增长模型，求得其概率密度分布函数，即发动机剩余在翼时间的概率密度分布函数，取其中值为发动机的剩余在翼寿命。本发明使得航空公司根据发动机硬件损伤对发动机的拆发时机进行预测成为了可能，进而能为发动机的维修计划制定提供重要的决策支持。
-
公开(公告)号：CN101976285A
公开(公告)日：2011-02-16
申请号：CN201010519500.8
申请日：2010-10-26
Applicant: 哈尔滨工业大学
IPC: G06F17/50
Abstract: 本发明公开了一种汽轮发电机关键部件的参数化设计方法，本发明方法步骤如下：一、对线圈的基本结构进行分解：以模块化思想对线圈中具有几何互换性和稳定几何结构的模块进行划分，分解出基本模块、通用模块和专用模块三类；二、面向对象的几何结构建模：对已经划分的几何模块进行类描述；三、基于面向对象的几何约束法的零部件二维快速设计：采用基于图论的约束求解方法进行工程图的约束模型的求解。本发明的面向对象的几何约束法比其他二维参数化设计方法具有结构清晰、计算量小，且几何特征定位准确。采用该方法提供的模板进行参数编程，程序思路清晰、封装性好、运行效率高。
-
Patent Agency Ranking
公开(公告)号：CN119720075A
公开(公告)日：2025-03-28
申请号：CN202411694264.1
申请日：2024-11-25
Applicant: 哈尔滨工业大学
IPC: G06F18/25 , G06F18/213 , G06F18/27 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 一种航空发动机剩余使用寿命预测方法，属于航空发动机剩余使用寿命预测领域，本发明为解决现有航空发动机RUL预测模型存在的问题。本发明并行时空Transformer模型进行预测，并行时空Transformer模型包括时间注意力模块TAM、空间注意力模块SAM、时空特征融合器和支持向量机MLP；TAM和SAM并联设置，输入样本分别输入至TAM和SAM；通过TAM获得时序增强特征；通过SAM获得空间增强特征；利用时空特征融合器将时序增强特征和空间增强特征进行融合；支持向量机MLP根据时空特征融合器输出的融合特征进行航空发动机剩余使用寿命预测。
-
公开(公告)号：CN113761032B
公开(公告)日：2024-12-03
申请号：CN202111063095.8
申请日：2021-09-10
Applicant: 哈尔滨工业大学
IPC: G06F18/2113 , G06F18/2111 , G06F18/241 , G06F18/25 , G06Q10/063 , G06N5/04
Abstract: 基于可拓关联规则挖掘的航空发动机故障诊断方法及系统，属于航空发动机故障诊断领域。本发明解决了基于现有关联规则挖掘算法对航空发动机故障检测效率低，且无法筛选出有效的推理规则的问题。本发明包括：获取航空发动机的历史数据，基于历史数据建立航空发动机故障事务集合，将故障事务类型拓展为故障特征；利用Pearson相关系数计算每两个故障特征之间的相关性，设定相关性阈值，剔除高于相关性阈值的故障特征对中的一个故障特征，得到关键故障特征；利用频繁项集挖掘算法从关键故障特征中提取频繁项，从频繁项中提取出强关联规则；基于可拓优度评价法对强关联规则进行排序，按照强关联规则先后顺序对故障进行诊断。本发明用于航空发动机故障诊断。
-
公开(公告)号：CN113962447B
公开(公告)日：2024-05-28
申请号：CN202111172277.9
申请日：2021-10-08
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明涉及复杂设备运行参数处理分析技术领域，具体的说是一种能够有效降低复杂设备维护成本、提高设备运行可靠性的基于改进粒子群算法的复杂设备批量长期维修计划优化方法，通过从整个机队的角度考虑发动机实际的送修时间，并从单一设备全寿命周期内维修成本最小的角度考虑复杂设备队列的长期维修计划的优化，从而建立机队长期维修计划优化模型，针对标准粒子群算法易陷入局部收敛的情况，提出一种改进粒子群算法，增强粒子群跳出局部收敛的能力，采用改进粒子群算法求解机队长期维修计划优化模型，为机队长期维修计划提供理论层面的支持。
-
公开(公告)号：CN116050547A
公开(公告)日：2023-05-02
申请号：CN202310063619.6
申请日：2023-01-12
Applicant: 哈尔滨工业大学
Abstract: 一种基于自注意力集成学习的起落架性能预测方法，涉及起落架性能预测领域。本发明是为了解决现有起落架性能预测方法还存在计算效率和预测精度不高的问题。本发明包括：获取待预测的起落架性能数据的关键特征，将待预测的起落架性能数据的关键特征数据输入到起落架性能预测模型中获得起落架的重心垂直载荷、重心垂向位移；所述起落架性能预测模型通过以下方式获得：获取起落架性能数据；利用MCA模型剔除起落架性能数据特征中的无效特征和冗余特征，获得起落架性能数据中的关键特征数据；利用关键特征数据对AMLP进行训练获得训练好的AMLP模型；采用网格搜索法对训练好的AMLP模型的超参数进行调优，获得起落架性能预测模型。本发明用于预测起落架性能。
-
公开(公告)号：CN111598222B
公开(公告)日：2023-04-28
申请号：CN202010406707.8
申请日：2020-05-14
Applicant: 哈尔滨工业大学(威海)
IPC: G06N3/0455 , G06N3/048 , G06N3/082 , G06F18/23213 , G06F18/22 , G06F18/214
Abstract: 本发明披露了一种重优化深度自动编码器，其特征在于：包括第一经典深度自动编码器模块、K‑Means聚类模型模块和第二经典深度自动编码器模块；所述第一经典深度自动编码器模块训练完成后，通过所述第一经典深度自动编码器模块获得一重构误差集；所述K‑Means聚类模型模块对所述重构误差集进行聚类，剔除其中重构误差较大的异常样本，保留正常样本作为新训练集；用所述新训练集对所述第二经典深度自动编码器模块进行训练。基于所述重优化深度自动编码器，本发明还提出了一种发动机自动检测系统。
-
-
-
-
-
-
-
-
-
Search Results
102
records
(took 0.025 seconds)
