-
公开(公告)号：CN111308985B
公开(公告)日：2021-03-26
申请号：CN202010098234.X
申请日：2020-02-18
Applicant: 北京航空航天大学
IPC: G05B23/02
Abstract: 一种基于NSCT和DM的飞机环控系统控制组件性能退化评估方法，该方法利用环控系统控制组件的系统输入和输出信号数据，实现环控系统控制组件的性能退化评估。首先，利用基于RBF的观测器，生成环控系统控制组件残差信号。第二，利用基于时序排列的图像变换方法，实现残差信号的等效变换。第三，针对等效变换图像，利用NSCT开展多尺度多方向分解，从而提取可以表征性能退化的稳定故障特征。第四，针对提取的高维特征，利用DM算法实现高维特征点向低维空间的流形降维。最后，计算当前状态与健康状态间的测地线距离，并归一化为CV值，实现环控系统控制组件的性能退化评估。
-
公开(公告)号：CN112257695A
公开(公告)日：2021-01-22
申请号：CN202011523721.2
申请日：2020-12-22
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种利用稀疏约束生成对抗网络生成振动信号的方法，包括：训练好的稀疏约束生成对抗网络的生成器将输入的随机噪声向量被变换为一个仅包含少量非零值的稀疏激活向量；使用所述稀疏向量中包含的少量非零值，激活所述训练好的稀疏约束生成对抗网络的生成器隐藏层的权重矩阵中对应位置的列向量，其中被激活的列向量中包含了真实振动信号中所有关键频率成分及其组合；被激活的列向量经过稀疏向量非零激活值的加权之后，得到一个线性组合，所述线性组合包含了待生成的旋转机械原始振动信号中所有的关键频率成分；该线性组合被一个非线性函数进行激活，相当于经过一个调幅处理，得到最终的生成样本。
-
公开(公告)号：CN106289777A
公开(公告)日：2017-01-04
申请号：CN201610620943.3
申请日：2016-08-01
Applicant: 北京航空航天大学
IPC: G01M13/04
Abstract: 本发明涉及一种基于几何度量的多工况下滚动轴承性能评估的方法，首先将不同工况下不同故障程度的滚动轴承振动信号转换成为递归图，然后利用尺度不变特征变换方法提取所转换递归图的稳定的几何特征，通过将轴承信号所提取的几何特征进行奇异值分解获取不同工况下不同故障程度的滚动轴承的特征曲线，然后利用动态时间规整计算不同特征曲线的相似度，从而计算出该滚动轴承的健康度。利用美国西储大学轴承数据进行案例验证，实验结果表明本发明可以有效地评估多工况下滚动轴承的健康度。
-
公开(公告)号：CN105181110A
公开(公告)日：2015-12-23
申请号：CN201510580526.6
申请日：2015-09-13
Applicant: 北京航空航天大学
Abstract: 本发明提供了一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法，首先将振动信号转换为二维图像，在该转换之前利用小波降噪来降低噪声对特征提取的干扰。然后，针对二维图像应用SIFT算法提取尺度不变特征向量，得到一个128维的特征矩阵，再利用KPCA算法实现特征向量的降维。此后，提取简化特征向量的奇异值，并最终将其输入SVM分类器实现故障分类。该方法具有很高的分类精度。
-
公开(公告)号：CN117932230B
公开(公告)日：2024-05-28
申请号：CN202410322903.5
申请日：2024-03-21
Applicant: 北京航空航天大学
IPC: G06F18/10 , G06F18/213 , G06F18/214 , G06F18/22 , G06N3/045 , G06N3/048 , G06N3/08
Abstract: 本发明公开一种小样本条件下基于特征解耦与样本重组的故障诊断方法，涉及故障诊断领域。本发明通过对样本数据进行时频域特征解耦，能够丰富并扩充样本数据集，解决现有故障诊断方法在小样本数据集上容易过拟合、模型泛化能力差的问题。通过对样本空间重新组合的方式，能够对不同类型的故障信息进行关联构建，从而有利于模型对故障规律进行更为准确的学习与挖掘。采用基于孪生神经网络的故障诊断模型能够更好地利用重组样本空间中的样本组合进行故障关联规律的挖掘，从而提升故障诊断能力，将待测样本与全部支撑集样本进行特征相似性度量，避免了采样部分测试集样本导致的特征偏向性，能够有效提升故障诊断的准确度。
-
Patent Agency Ranking
公开(公告)号：CN117972422A
公开(公告)日：2024-05-03
申请号：CN202410093095.X
申请日：2024-01-23
Applicant: 北京航空航天大学
IPC: G06F18/214 , G06F18/2433 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于孪生残差网络的健康基线构建与故障诊断方法，包括：将诊断信号分为预训练数据集、训练数据集、测试数据集三部分，并进行归一化处理；构建孪生残差网络，并利用预训练数据集对孪生残差网络中的残差网络特征提取部分进行训练，形成健康基线模型；将健康基线模型中的残差网络特征提取部分取出，构建残差网络诊断模型，并利用训练数据集对其进行训练；利用测试数据集对训练好的残差网络诊断模型进行故障诊断测试，并评价网络性能。
-
公开(公告)号：CN113536681B
公开(公告)日：2024-04-02
申请号：CN202110823910.X
申请日：2021-07-21
Applicant: 北京航空航天大学
IPC: G06F30/27 , G06N3/0464 , G06N3/047 , G06N3/084 , G06F18/25 , G06F119/04
Abstract: 本发明提供一种基于时序外推预测的电动舵机健康评估方法，包括：获取电动液压舵机的故障数据；对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；对所述训练数据集进行基于卷积神经网络CNN的特征提取，得到高维隐含层特征；对所述训练数据集进行基于专家知识的特征提取，得到人工时域特征；对所述人工时域特征和所述高维隐含层特征进行特征拼接，得到拼接特征集；所述特征拼接集送入基于堆叠自编码器SAE进行深度特征融合，从而得到二次编码特征值；所述二次编码特征值送入时序外推预测模型训练模块，进行时序外推预测模型训练，输出电动舵机的预测时序数据；述预测数据送入参数健康评估模块，对电动舵机的已有历史故障数据和所述预测时序数据进行健康评估，输出参数健康度及预测结果。
-
公开(公告)号：CN113835106B
公开(公告)日：2023-08-01
申请号：CN202011410492.3
申请日：2020-12-03
Applicant: 北京航空航天大学
Abstract: 本申请公开一种大数据条件下的关联性健康基线无监督自主构建方法，其包括：第一步，时间标定处理；第二步，关联遥参阵列变换处理；第三步，相关度阵列的生成；第四步，关联遥参阵列‑强相关遥测参选处理；第五步，关联性健康基线构建；由此得到关联性健康基线。本申请的大数据条件下的关联性健康基线无监督自主构建方法，结合定量关联变量挖掘和非线性数据处理方法，将非线性遥参数据转化为线性遥参数据，实现卫星线性、非线性关联变量的自主挖掘，在现有基础上有效扩大关联遥参挖掘覆盖的类别范围。并结合后续健康基线构建技术，在大数据条件下完成对卫星健康状态的批量、自动表征。
-
公开(公告)号：CN112537461B
公开(公告)日：2022-11-25
申请号：CN202011411327.X
申请日：2020-12-03
Applicant: 北京航空航天大学
Abstract: 本申请提出一种基于星载关联性健康基线卫星在轨实时监测方法，其包括：第一步，健康基线配置；第二步，数据缓存与计算触发；第三步，工况判断；第四步，基线搜索与调用；第五步，关联性计算；第六步，异常判定。本方法采用基于解析方程的健康基线，实时在轨关联性监测，凸显其计算资源占用少、计算时间消耗少的优势；采用缓存池定时触发计算的方法，降低了对数据存储的要求，同时提升响应速度。
-
公开(公告)号：CN113901178A
公开(公告)日：2022-01-07
申请号：CN202111264461.6
申请日：2021-10-28
Applicant: 北京航空航天大学
IPC: G06F16/33 , G06F16/335 , G06F16/35 , G06F40/295 , G06N3/04 , G06N3/08
Abstract: 一种风洞故障文本知识的实体关系抽取方法，该方法步骤如下：1、定义知识结构；2、划分训练集和测试集；3、实体标注；4、关系标注；5、数据预处理；6、将训练集输入模型词嵌入层，训练词嵌入矩阵；7、词嵌入矩阵输入模型双向GRU层，提取文字级特征；8、文字级特征集合输入模型多头注意力层，生成权重向量。权重向量与文字级特征相乘，得到句子级特征；9、句子级特征输入模型输出层，得到关系类别；10、迭代训练；11、模型测试与评价；本发明提出了一种基于双向GRU和多头注意力机制的风洞故障实体关系抽取方法，通过从风洞故障文本中抽取知识，实现非结构化故障数据向结构化数据的转化，提高文本知识在风洞健康监测及故障诊断过程中的利用效率。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.058 seconds)
