-
公开(公告)号：CN113011094A
公开(公告)日：2021-06-22
申请号：CN202110297054.9
申请日：2021-03-19
Applicant: 哈尔滨工业大学 , 中国铁建重工集团股份有限公司
IPC: G06F30/27 , G06K9/62 , G06F17/18 , G06F111/08 , G06F111/10
Abstract: 混合GBDT和随机森林算法的土压平衡盾构机渣土改良方法，属于土压平衡盾构机渣土改良领域。本发明解决了目前针对渣土改良方法中泡沫剂的用量不精确导致对渣土改良效果不理想，进而导致盾构机工作时出渣效率低的问题。本发明方法包括：对施工数据和地质数据进行预处理；利用GBDT算法建立回归模型，对地质数据进行特征选择；从预处理后的施工数据中处理得到关键出渣质量参数；利用随机森林算法建立N个渣土改良模型，并优化模型超参数，得到N个渣土改良模型的最优超参数；对N个渣土改良模型进行精度对比，精度最高的模型作为最优出渣质量模型；由最优出渣质量模型计算泡沫剂用量，并对渣土进行改良。本发明用于土压平衡盾构机的渣土改良。
-
公开(公告)号：CN112308038A
公开(公告)日：2021-02-02
申请号：CN202011340437.1
申请日：2020-11-25
Applicant: 哈尔滨工业大学
Abstract: 基于课堂式生成对抗网络模型的机械设备故障信号识别方法，涉及机故障信号识别领域。本发明是为了解决现有的机械设备故障信号识别方法准确率不高的问题。本发明所述的包含一个生成器和多个判别器的基于课堂式生成对抗网络模型识别机械设备故障信号的方法包括：获取机械设备正常振动信号和机械设备故障振动信号；将获取的机械设备信号划分为测试集和训练集；设置课堂式生成对抗网络结构参数；获取一个批量的样本；计算生成能力的提升值；计算每个生成器对判别器损失函数值影响权重；计算判别器的损失函数；计算生成器的损失函数；测试判别器的准确性；将机械设备振动信号输入准确率最高的分类模型得到识别结果。
-
公开(公告)号：CN107862129B
公开(公告)日：2021-02-02
申请号：CN201711072101.X
申请日：2017-11-03
Applicant: 哈尔滨工业大学
IPC: G06F30/15
Abstract: 一种基于MOEAD的偏差区间偏好引导多目标决策优化方法，本发明涉及基于MOEAD的偏差区间偏好引导多目标决策优化方法。本发明为了解决现有技术求解得到的满足决策者偏差区间偏好的有效解个数少的问题。本发明包括：步骤一：建立带有偏差关系区间偏好信息的多目标决策模型；步骤二：利用法线边界交叉法对步骤一建立的带有偏差关系区间偏好信息的多目标决策模型进行重构得到重构后的分解模型；步骤三：对步骤二重构后的分解模型进行求解，得到带有偏差关系区间偏好信息的多目标决策模型的优化解。本发明避免了传统优化方法通过后验方法获得满足偏好有效解造成的较高的空间复杂度和时间复杂度。本发明用于飞机结构维修决策领域。
-
公开(公告)号：CN110782083B
公开(公告)日：2020-10-27
申请号：CN201911011999.9
申请日：2019-10-23
Applicant: 哈尔滨工业大学
Abstract: 基于深度Croston方法的航空发动机备用需求预测方法，本发明涉及本发明涉及航空发动机备用需求预测方法。本发明的目的是为了解决现有方法对航空发动机备用需求预测准确率低的问题。过程为：一、将间断型备发需求原始观测序列转换为备发需求间隔序列和备发需求量序列；二、将机队状态表征量作为备发需求间隔序列和备发需求量序列的协变量；三、建立备发需求间隔和备发需求量预测模型；得到训练好的备发需求间隔和备发需求量预测模型；将待测样本集分别输入训练好的预测模型，得到备发需求间隔和备发需求量预测结果；四、将预测结果转换为间断型备发需求序列；五、基于预测结果预测偏离成本总损失。本发明用于航空发动机领域。
-
公开(公告)号：CN107844663B
公开(公告)日：2020-10-27
申请号：CN201711175133.2
申请日：2017-11-22
Applicant: 哈尔滨工业大学
IPC: G06F30/20 , G06F30/15 , G06F119/02 , G06F119/04
Abstract: 一种基于疲劳累积损伤的可靠度建模方法，本发明涉及基于疲劳累积损伤的可靠度建模方法。本发明为了解决现有方法计算量大、耗费时间长以及可靠度计算模型中随机因素分布参数的确定存在困难的问题。本发明包括：一：根据疲劳应力寿命法和概率损伤容限建立基于疲劳累积损伤的可靠度模型；二：根据回归模型确定结构疲劳累积损伤为dam时的fa(a|dam)，通过fa(a|dam)求解基于疲劳累积损伤的可靠度模型。本发明方法得到的失效概率计算误差为1.82％。CA2组试件在累积损伤dam1＝1时的失效概率为45.73％，计算误差为4.27％。本发明方法具有很高的计算精度。本发明用于飞机疲劳结构可靠度计算领域。
-
Patent Agency Ranking
公开(公告)号：CN109558873B
公开(公告)日：2019-11-05
申请号：CN201811467778.8
申请日：2018-12-03
Applicant: 哈尔滨工业大学
Abstract: 一种基于变样本栈式自编码网络的模式识别方法，属于大数据模式识别领域。现有的模式识别方法在数据维度逐渐增高时，会出现模式识别精度和效率下降问题的问题。一种基于变样本栈式自编码网络的模式识别方法，一、通过变样本栈式自编码网络滤除高维空间样本中噪声，映射成低维空间去噪样本集合；二、利用步骤一获得的低维空间去噪样本集合对样本训练分类器进行训练，得到低维空间去噪样本集合中的典型样本集合；三、基于步骤二获得的典型样本集合，采用逆映射到高维空间获得高维空间典型样本集合，并利用待测试样本与高维空间典型样本集合的相似度识别方法进行模式识别，完成待测试样本的类别判定。本发明与其它算法进行对比，提高了分类准确率。
-
公开(公告)号：CN107944623A
公开(公告)日：2018-04-20
申请号：CN201711175073.4
申请日：2017-11-22
Applicant: 哈尔滨工业大学
Abstract: 一种基于酵母菌出芽繁殖的优化方法及其应用，本发明涉及机队保有率优化方法，为了解决现有技术当机队保有率优化模型最优解不唯一时，无法获得最优的机队保有率的问题。本发明将培养基视为优化问题连续型解的区域约束；接种酵母菌过程视为初始解生成过程；酵母菌在培养基上的出芽繁殖视为解的优化过程：繁殖出的酵母菌落入培养基内为优解，可存活并可继续繁殖；否则则为劣解，不能存活也不可能继续繁殖。考虑到优化问题的连续型最优解可能是分段连续或者初始解落入到非培养基的情况，让处于非培养基中的劣解可以寻找并迁移到最优繁殖区域进行繁殖。繁殖出的优解集合所覆盖的区域就是优化问题的连续型最优解。本发明用于飞机维修管理领域。
-
公开(公告)号：CN107577902A
公开(公告)日：2018-01-12
申请号：CN201710995498.3
申请日：2017-10-23
Applicant: 哈尔滨工业大学
IPC: G06F17/50
Abstract: 一种基于UKF的飞机疲劳结构剩余寿命预测方法，本发明涉及基于UKF的飞机疲劳结构剩余寿命预测方法。本发明为了解决现有方法飞机疲劳结构剩余寿命低的缺点。本发明包括：步骤一：基于Paris疲劳裂纹扩展公式，建立状态空间评估模型；步骤二：对步骤一建立的状态空间评估模型利用无迹卡尔曼滤波算法进行滤波，得到准确的状态参数向量xk；步骤三：利用步骤二得到的准确的状态参数向量xk，进行结构的裂纹扩展剩余寿命预测。通过对比实验可知，本发明算法的预测结果优于EKF算法，且预测得到的RUL绝对相对误差小于10％。本发明应用于飞机疲劳结构剩余寿命预测领域。
-
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：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。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.024 seconds)
