-
公开(公告)号：CN117235525A
公开(公告)日：2023-12-15
申请号：CN202311263009.7
申请日：2023-09-27
Applicant: 兰州理工大学
Inventor： 蒋栋年 , 赵锦江 , 张伟栋 , 何琛贤 , 申富媛 , 曹慧超 , 李亚洁 , 王仁杰 , 罗晓敏 , 高玉鑫 , 冉欢欢 , 章贯文 , 王志宣 , 褚天锐 , 王洁莹 , 李俊宽 , 张帅
IPC: G06F18/214 , G01D18/00 , G06N5/022
Abstract: 本发明提供了一种基于时空协同的传感器故障检测和数据重构方法，借助空间相关关系检测传感器故障，并利用时间相关关系进行故障传感器数据重构，使得系统在一定时间范围内保障了充足的容错能力，通过提出一种基于MIC‑GCN的空间相关模型，将图论引入顶吹炉传感器故障诊断场景，根据最大互信息构建传感器网络知识图谱，借助图卷积机制捕获多尺度空间特征，进而捕获传感器的故障状态；其次，通过引入图级的时序相关关系设计了时空协同的STG‑Transformer图级预测模型，在对故障传感器进行定位的基础上，并利用最小残差对故障传感器进行数据重构，实现了故障传感器的数据重构。
-
公开(公告)号：CN117575027B
公开(公告)日：2024-07-26
申请号：CN202311692220.0
申请日：2023-12-11
Applicant: 兰州理工大学
Abstract: 本发明提供了一种利用知识增强时空因果的顶吹炉传感器故障诊断方法，收集顶吹炉中传感器数据，结合故障数据专家领域库训练有向无环图DAG学习器，并构件顶吹炉传感器因果发现模型，使用顶吹炉传感器数据学习顶吹炉传感器因果发现模型，然后将学习后的顶吹炉传感器因果发现模型转换为因果有向无环图DAG，建立因果空间(Causal‑Spatial)Transformer模型，将因果有向无环图DAG输入至因果空间(Causal‑Spatial)Transformer模型中，得到顶吹炉传感器的标准化预测数值#imgabs0#，并收集顶吹炉传感器的实际值#imgabs1#，计算标准化预测值#imgabs2#与实际值#imgabs3#之间的标准化残差，通过与阈值对比判断传感器是否故障。
-
Patent Agency Ranking
公开(公告)号：CN116956739A
公开(公告)日：2023-10-27
申请号：CN202310957786.5
申请日：2023-08-01
Applicant: 兰州理工大学
IPC: G06F30/27 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/08 , G01M13/045 , G06F119/04
Abstract: 本发明提供了一种基于ST‑BiLSTM的球磨机轴承寿命预测方法，包括以下步骤，收集滚动轴承在一个连续时间段内的原始时域振动信号，对原始时域振动信号进行降噪平滑处理，得到降噪后的平滑时域振动信号，对平滑时域振动信号进行归一化处理，得到归一化数据，将归一化数据划分训练集和测试集，试将训练集数据输入TCN‑BiLSTM‑ATTENTION模型进行训练，然后采用全连接层进行输出，得到训练后的TCN‑BiLSTM‑ATTENTION模型，将测试集输入训练后的TCN‑BiLSTM‑ATTENTION模型，得到剩余使用寿命预测结果。
-
公开(公告)号：CN117571037B
公开(公告)日：2024-08-16
申请号：CN202311603293.8
申请日：2023-11-28
Applicant: 兰州理工大学
IPC: G01D18/00 , G06N3/0455 , G06F18/213 , G06N7/01
Abstract: 本发明提供了工业传感器故障自诊断方法，当系统内的传感器之间具有冗余信息时，建立统计相关二进制数据的高斯Copula模型，并利用基于梯度的HMC算法改进高斯Copula模型的收敛性；选取系统中至少5个传感器，利用自编码器所获得系统内传感器相关二进制数，将二进制数带入到高斯Copula模型中进行参数学习，得到似然函数；利用HMC采样器对模型参数进行采样，得到传感器故障检测概率PODi和传感器误检概率PFAi后验分布；最后判断处传感器是否处于故障状态。本发明为实现在无参考值情况下的传感器自诊断，本发明在统计独立或统计相关的不同情况下，通过建立传感器检测数据的统计模型，实现传感器的自主诊断。
-
公开(公告)号：CN117575027A
公开(公告)日：2024-02-20
申请号：CN202311692220.0
申请日：2023-12-11
Applicant: 兰州理工大学
Abstract: 本发明提供了一种利用知识增强时空因果的顶吹炉传感器故障诊断方法，收集顶吹炉中传感器数据，结合故障数据专家领域库训练有向无环图DAG学习器，并构件顶吹炉传感器因果发现模型，使用顶吹炉传感器数据学习顶吹炉传感器因果发现模型，然后将学习后的顶吹炉传感器因果发现模型转换为因果有向无环图DAG，建立因果空间(Causal‑Spatial)Transformer模型，将因果有向无环图DAG输入至因果空间(Causal‑Spatial)Transformer模型中，得到顶吹炉传感器的标准化预测数值#imgabs0#，并收集顶吹炉传感器的实际值#imgabs1#，计算标准化预测值#imgabs2#与实际值#imgabs3#之间的标准化残差，通过与阈值对比判断传感器是否故障。
-
公开(公告)号：CN117571037A
公开(公告)日：2024-02-20
申请号：CN202311603293.8
申请日：2023-11-28
Applicant: 兰州理工大学
IPC: G01D18/00 , G06N3/0455 , G06F18/213 , G06N7/01
Abstract: 本发明提供了工业传感器故障自诊断方法，当系统内的传感器之间具有冗余信息时，建立统计相关二进制数据的高斯Copula模型，并利用基于梯度的HMC算法改进高斯Copula模型的收敛性；选取系统中至少5个传感器，利用自编码器所获得系统内传感器相关二进制数，将二进制数带入到高斯Copula模型中进行参数学习，得到似然函数；利用HMC采样器对模型参数进行采样，得到传感器故障检测概率PODi和传感器误检概率PFAi后验分布；最后判断处传感器是否处于故障状态。本发明为实现在无参考值情况下的传感器自诊断，本发明在统计独立或统计相关的不同情况下，通过建立传感器检测数据的统计模型，实现传感器的自主诊断。
-
公开(公告)号：CN116719797A
公开(公告)日：2023-09-08
申请号：CN202310851986.2
申请日：2023-07-12
Applicant: 兰州理工大学
IPC: G06F16/21 , G06F18/22 , G06F18/10 , G06F16/901 , G06F17/18
Abstract: 本发明提供了基于IF‑DDPM的闪速炉缺失数据生成及填补方法，包括以下步骤，采用异常点检测法检测出传感器在一个连续时间段内的数据缺失信息，所述数据缺失信息包括数据缺失区域以及缺失数据数量；构建DDPM模型，将连续时间段内带有缺失的传感器检测数据作为训练数据，送入DDPM模型中生成符合原始数据分布的数据，根据缺失区域信息，使用采样器从生成符合原始数据分布的数据中依据数据密度分布采样出每个缺失区域对应数量的生成数据，填补进缺失区域内，构建完整数据集。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
