-
公开(公告)号：CN109901395A
公开(公告)日：2019-06-18
申请号：CN201910222001.3
申请日：2019-03-22
Applicant: 杭州电子科技大学
IPC: G05B13/04
Abstract: 本发明涉及一种异步系统的自适应容错控制方法。本发明先用隐马尔可夫模型来描述系统模态与控制器模态之间的异步现象，设计相应的自适应律去估计执行器故障和扰动上下界的参数，再基于估计的结果设计状态反馈控制器自动补偿故障和扰动的影响。相比于故障检测识别的机制，本发明具有不依赖于在线的估计值、资源利用率高、反应更快等优点，此外本发明针对的控制系统具有普适性，这使得本发明具有广阔的应用背景。
-
公开(公告)号：CN106597840B
公开(公告)日：2019-05-03
申请号：CN201710032627.9
申请日：2017-01-16
Applicant: 杭州电子科技大学
IPC: G05B11/42
Abstract: 本发明公开了一种基于产生式规则库推理的PID参数整定方法。本发明所建立的规则库，能够描述控制信号、闭环控制系统输出及偏差量与PID控制器参数（输出量）之间存在的复杂非线性关系，其中构建的规则库的前项属性为输入量的参考值，后项为输出量的置信结构。对于被激活的规则，通过融合算法将被激活规则后项中的置信结构进行融合，并从融合结果中推理出PID控制器参数的估计值。然后将规则库输出的估计值作为PID控制器的输入参数并得到控制量对被控对象产生控制作用，最终通过闭环系统将被控对象的输出量反馈至输入端，通过在线调整所建规则库模型参数来实现自整定PID控制器参数功能，并使得系统输出能够实时跟踪控制信号。
-
公开(公告)号：CN106022366B
公开(公告)日：2019-03-08
申请号：CN201610321847.9
申请日：2016-07-04
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于近邻证据融合的旋转机械设备故障诊断方法。本发明基于对故障典型数据的统计分析，构造模糊隶属度函数集合，用该函数集建模档案库中的每个特征参数在每个故障下的样板模式；待分类样本中的每个特征参数在相应的训练特征样本库中找到k个近邻特征值，并把这k个近邻特征值在对应特征下的各个故障样板模式中进行单值匹配，求得每个近邻特征属于各个故障的信度，进行归一化处理，得到k条证据，融合这k条证据即为该特征参数的证据，m个特征参数最后有m条证据,再次融合，得到最终的诊断证据，利用决策准则，根据融合结果进行故障决策，基于近邻证据融合结果做出的决策比只凭借单一诊断证据做出的决策更加准确。
-
公开(公告)号：CN109115491A
公开(公告)日：2019-01-01
申请号：CN201810939939.2
申请日：2018-10-16
Applicant: 杭州电子科技大学
IPC: G01M13/02
Abstract: 本发明公开了一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法。该方法首先获取不同故障模式下基座和支架等位置的频域特征信号；通过K均值算法确定输入特征的参考值，计算样本的相似度分布；构造反映输入与故障模式之间关系的投点统计表，并转换得到输入的证据矩阵表；基于粗糙集理论和信息熵计算输入信息源的分类能力和总体不确定度；确定输入信息源的可靠性和证据权重；利用证据推理规则融合输入样本向量激活的证据并根据融合结果确定故障模式。该方法能通过安装在船舶上的传感器获得的振动信号有效估计轴系推进系统机械故障模式，成本低，精度高，实现了电力推进船舶轴系推进系统机械故障的实时检测和精确诊断。
-
公开(公告)号：CN108714026A
公开(公告)日：2018-10-30
申请号：CN201810255649.6
申请日：2018-03-27
Applicant: 杭州电子科技大学
IPC: A61B5/0402 , G06K9/46 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于深度卷积神经网络（DCNN）和在线决策融合的心电分类方法。与以前使用手工特征或从原始信号域学习特征的方法不同，所提出的基于DCNN的方法以端到端的方式从时频域学习特征和分类。本发明首先利用短时傅立叶变换将心电波形信号转化为时频域。接下来，由特定长度的训练样本训练具体的DCNN网络模型。最后，提出一种在线决策融合方法，将来自不同模型的过去和现在的决策融合成更准确的决策。综合20类ECG数据集的实验结果说明了所提出方法的有效性。
-
Patent Agency Ranking
公开(公告)号：CN107741263A
公开(公告)日：2018-02-27
申请号：CN201710952375.1
申请日：2017-10-13
Applicant: 杭州电子科技大学
IPC: G01F23/296
CPC classification number: G01F23/2966
Abstract: 本发明公开一种基于频域信息融合的液位估计方法。现有的测量方法由于麦克风、模数转换器存在的误差以及周围环境影响，导致测量精度差。本发明将导声管垂直于液面插入到的待测液体底部，扬声器发出均匀变化的声波，麦克风采集合成波。对于同一高度的液位连续采集两组数据，分别对两组数据进行傅立叶变换以及频率特征提取，得到的两组共振频率。对两组共振频率序列中的各个共振点设置支持区间和信任区间，同时进行赋值，利用DS组合规则进行融合得到的融合后的共振点序列。利用融合后的共振点序列的差值和液位换取公式得到多个液位测量值，取平均作为最终的液位值。本发明将两组共振点融合，得到的液位测量值比单组数据得到的测量值更加的可靠。
-
公开(公告)号：CN103617350B
公开(公告)日：2016-09-28
申请号：CN201310578506.6
申请日：2013-11-15
Applicant: 杭州电子科技大学
IPC: G06F19/00
Abstract: 本发明涉及一种基于诊断证据平滑更新的旋转机械设备故障诊断方法，属于旋转机械设备故障监控与诊断技术领域。通过证据获取方法得到设备运行时的诊断证据，递归地使用条件化线性加权证据融合规则，实现当前时刻诊断证据对上一时刻更新后的诊断证据进行更新，从而获得当前时刻更新后的诊断证据。在一定的决策准则下，由更新后的诊断证据进行故障决策。基于当前、历史和未来时刻诊断证据的可靠度，确定了线性融合更新中证据的平滑权重，这使得所获得的当前时刻更新后的诊断证据动态地含有历史和未来时刻的有用诊断信息，从而使得基于更新后诊断证据做出的诊断决策，比基于未做更新的诊断证据做出的决策更为准确与可靠。
-
公开(公告)号：CN105139086A
公开(公告)日：2015-12-09
申请号：CN201510496888.7
申请日：2015-08-13
Applicant: 杭州电子科技大学
IPC: G06Q10/04
Abstract: 本发明涉及一种基于优化置信规则推理的轨道高低不平顺幅值估计方法。本发明利用置信规则库建模参数变量输入与成品率输出之间的映射关系。通过建立描述不同测点的振动频域特征数据与轨道高低不平顺幅值之间的对应变化关系。利用序列线性规划的方法，通过有限的历史数据，优化初始BRB模型，减少主观因素对模型的影响。SLP方法是将原模型的非线性优化的问题，转化为逐步的线性优化问题，更加简单快速的计算出优化模型的各个参数，使得在给定振动频域特征的情况下，可以通过信度推理精确和快速地估计出轨道高低不平顺幅值。通过本发明提高了模型的估计精度与计算的效率，对需要实时监测的轨道高低不平顺系统具有更为高效的优势。
-
公开(公告)号：CN104408322A
公开(公告)日：2015-03-11
申请号：CN201410743777.7
申请日：2014-12-08
Applicant: 杭州电子科技大学
IPC: G06F19/00
Abstract: 本发明涉及一种综合多源故障似然信度的旋转机械设备故障诊断方法。本发明能够对不同故障模式下获取的故障特征监测数据进行区间划分，构造故障特征参数与故障类型的映射关系表；从该表中统计出各故障模式发生的似然信度向量；结合训练样本集合构造目标函数，并优化该函数获得可靠性因子，用该可靠性因子对似然信度向量进行修正，生成诊断证据；在线获取多种故障特征的取值后，分别计算它们激活的诊断证据，再将这些被激活的诊断证据综合，根据综合结果决策得到该在线故障特征所对应的故障类型；本发明对海量故障特征数据进行处理时，未对数据的变化特性、格式、精度等做出任何限制和约束，便于工程实现。
-
公开(公告)号：CN102662390A
公开(公告)日：2012-09-12
申请号：CN201210127171.1
申请日：2012-04-26
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种随机模糊故障特征融合的旋转机械设备故障诊断方法，属于旋转机械设备故障监控与诊断技术领域。该方法能处理具有随机性和模糊性的故障特征参数，对故障特征参数在各个故障下典型数据的统计分析，构造随机模糊变量，用该变量建模故障档案库中的每个故障样板模式；同样用随机模糊变量建模在线监测中提取的故障待检模式；将待检模式与各故障的样板模式进行匹配，得到待检模式支持各故障的程度，亦即诊断证据；然后将多个故障特征参数提供的诊断证据进行融合，在一定的决策准则下，由融合结果进行故障决策，基于多证据融合结果做出的决策要比只凭借单一诊断证据做出的决策更加准确。
-
-
-
-
-
-
-
-
-
Search Results
223
records
(took 0.057 seconds)
