-
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。
-
公开(公告)号：CN111598161A
公开(公告)日：2020-08-28
申请号：CN202010406716.7
申请日：2020-05-14
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明披露了一种基于CNN迁移学习的发动机气路状态诊断系统，所述诊断系统包括源域和目标域，所述源域包括一CNN模块，其特征在于：所述CNN模块包括一个内层和三个全连层，所述内层由两个卷积层、一个池化层组成，并以预设的源域训练集对所述CNN模块进行训练，待所述CNN模块训练完成，将训练完成的所述CNN模块中的所述内层迁移到所述目标域并保持不变，作为所述目标域的发动机状态特征映射模型；所述目标域还包括一SVM模块，所述SVM模块对经所述内层映射的发动机小样本故障数据进行诊断和分类，从而输出发动机故障类别。
-
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：CN108182452B
公开(公告)日：2018-11-20
申请号：CN201711472261.3
申请日：2017-12-29
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明涉及一种基于分组卷积自编码器的航空发动机故障检测方法及系统，其中方法包括：变量分组步骤、基于变量之间的相关性将飞机通讯寻址与报告系统数据的变量分成多个变量组；特征提取步骤、采用卷积去噪自动编码器模型独立地提取每个变量组的特征；故障识别步骤、将所有变量组的特征融合起来形成特征向量，基于该特征向量采用支持向量机来识别故障样本。本发明不需要大量的专家知识经验，避免了繁琐的数据预处理工作，在没有大量良好的有标签样本的情况下仍然具有较好的综合故障检测性能，且鲁棒性好，适合于工程实践，计算与时间成本较低。
-
Patent Agency Ranking
公开(公告)号：CN107886126B
公开(公告)日：2018-11-20
申请号：CN201711102389.0
申请日：2017-11-10
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明涉及一种基于动态集成算法的航空发动机气路参数预测方法及系统，其中方法包括：基于迭代算法对训练样本集进行学习得到基学习机，并使用基学习机对测试样本集进行预测，得到每个基学习机的预测结果；在所述训练样本集中选择测试样本的近邻样本，评估每个基学习机在近邻样本的局部性能动态确定每个基学习机的权值；基于所述每个基学习机的权值，利用加权核密度估计将每个基学习机的预测结果集成得到最终预测结果。本发明通过量化评估各学习机的局部性能，提出了动态加权核密度估计组合方法，可用于对航空发动机气路参数序列的预测任务中，不受离群值和样本不对称分布的影响，实验结果表明能够有效提高集成学习算法的预测精度。
-
公开(公告)号：CN106529715B
公开(公告)日：2018-07-06
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：CN108182452A
公开(公告)日：2018-06-19
申请号：CN201711472261.3
申请日：2017-12-29
Applicant: 哈尔滨工业大学(威海)
CPC classification number: G06K9/6269 , G06N3/0454
Abstract: 本发明涉及一种基于分组卷积自编码器的航空发动机故障检测方法及系统，其中方法包括：变量分组步骤、基于变量之间的相关性将飞机通讯寻址与报告系统数据的变量分成多个变量组；特征提取步骤、采用卷积去噪自动编码器模型独立地提取每个变量组的特征；故障识别步骤、将所有变量组的特征融合起来形成特征向量，基于该特征向量采用支持向量机来识别故障样本。本发明不需要大量的专家知识经验，避免了繁琐的数据预处理工作，在没有大量良好的有标签样本的情况下仍然具有较好的综合故障检测性能，且鲁棒性好，适合于工程实践，计算与时间成本较低。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
102
records
(took 0.043 seconds)
