-
公开(公告)号：CN116152146A
公开(公告)日：2023-05-23
申请号：CN202211283599.5
申请日：2022-10-20
Applicant: 北京理工大学
IPC: G06T7/00 , G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于GAN和CNN的铸铝气缸盖力学性能的预测方法，属于低压铸铝合金气缸盖领域。本发明首先在生成对抗网络的基础上采用双生成网络结构，通过两次数据生成，实现对微观组织图片及对应标签的扩充；然后利用生成的微观组织图片、标签与真实样本、标签组成一个较大的数据集，优化因训练样本不足导致的神经网络预测精度不足、易出现过拟合的问题；最后通过卷积神经网络对微观组织图片进行特征提取，构建微观组织图片特征与对应材料力学性能的映射关系，实现低压铸铝合金气缸盖材料力学性能的快速、有效预测。本发明适用于铸铝合金材料开发等领域，降低铸铝合金气缸盖材料研发生产成本，提高生产效益。
-
公开(公告)号：CN115983109A
公开(公告)日：2023-04-18
申请号：CN202211629259.3
申请日：2022-12-19
Applicant: 北京理工大学
IPC: G06F30/27 , G06N3/0442 , G06N3/08
Abstract: 本发明公开的一种基于深度学习的倾转旋翼无人机能量管理优化方法，属于飞行器动力技术领域。本发明实现方法为：基于采集的无人机飞行工况参数构建功率预测神经网络模型，预测不同长度时域下的功率需求；根据不同工况数据利用动态规划算法得到最佳功率需求，基于最佳功率需求构建基于最佳△P逼近的预测时域选择策略，选择DNN神经网络建立ΔP预测模型，基于所述ΔP预测模型得到神经网络的最佳预测时域和最佳预测时域内功率预测结果，结合构建的无人机系统代价函数，采用动态规划滚动优化混合动力系统能量分配策略，直至得到混合动力系统能量最优分配策略，实现系统最小等效燃油消耗，提高飞行经济性和续航时间。
-
公开(公告)号：CN113240095B
公开(公告)日：2022-04-22
申请号：CN202110635436.8
申请日：2021-06-07
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于粗糙集和神经网络的铸造气缸盖力学性能预测方法，属于铸造铝合金气缸盖相关领域。本发明的一种基于粗糙集和BP神经网络的力学性能预测方法，利用粗糙集理论，对影响力学性能的指标属性进行约简，从而减少神经网络的输入维数，把约简后的指标属性作为BP神经网络的输入进行力学性能预测。本发明在无需进行大量试验与模拟仿真的前提下，并且在几乎无损的试验条件下，即可对力学性能实施预测，在提高力学性能预测的准确性和效率的同时，降低了设计与生产成本，提高了生产效益。
-
公开(公告)号：CN116701943A
公开(公告)日：2023-09-05
申请号：CN202310809069.8
申请日：2023-07-03
Applicant: 北京理工大学
IPC: G06F18/214 , G06F18/24 , G06F18/21 , G06N3/0464 , G06N3/08
Abstract: 一种基于元学习的小样本涡轮叶片损伤参数预测方法，属于涡轮叶片疲劳寿命评估预测领域。结合涡轮叶片各典型位置服役过程中的受载特性，将涡轮叶片不同截面高度处的各典型位置视为不同服役任务；采用元学习模型，对不同服役时间下涡轮叶片各位置处的损伤参数进行有效预测，提高叶片利用率，降低使用成本；针对涡轮叶片服役数据具有典型的时序相关性，但时间序列过短的问题，以LSTM网络为基模型，将每个典型位置的完整时间序列样本打包为一个“伪样本”参与模型训练，在利用元学习解决小样本预测问题的同时利用样本的时序相关性提高模型的预测精度；本发明适用于涡轮叶片疲劳寿命评估预测领域，为航空发动机涡轮叶片的合理判废提供技术支持。
-
公开(公告)号：CN114708927A
公开(公告)日：2022-07-05
申请号：CN202210258972.5
申请日：2022-03-09
Applicant: 北京理工大学
IPC: G16C20/30 , G16C20/70 , G16C60/00 , G06F30/27 , G06N3/04 , G06F119/04 , G06F119/14
Abstract: 本发明的目的是为了解决现有技术存在预测结果成本高、可信度低的问题，提供一种基于灰色预测和LSTM神经网络的高温合金疲劳寿命预测方法；本发明首先利用灰色预测，对等间隔时间序列的极少量样本的高温合金损伤因子进行预测，然后利用最小二乘法，将试验值与预测值进行拟合，得到时间序列与损伤因子的拟合函数，即可得到任意时间下的损伤因子，选取固定时间间隔下的损伤因子，通过损伤‑寿命关系计算此时间间隔序列下的疲劳寿命，将此时间序列下的损伤因子与疲劳寿命作为LSTM神经网络的数据集进行训练。此LSTM神经网络可作为基于损伤信息的时间序列神经网络预测模型来预测时序损伤的高温合金疲劳寿命。在无需进行大量试验与仿真的条件下，即可使用少量样本数据进行时间序列相关的疲劳寿命预测，大大降低部件的维修成本。
-
Patent Agency Ranking
公开(公告)号：CN113434980A
公开(公告)日：2021-09-24
申请号：CN202110723113.4
申请日：2021-06-28
Applicant: 北京理工大学
IPC: G06F30/17 , G06F30/23 , G06F111/10 , G06F119/08 , G06F119/14
Abstract: 本发明公开的一种考虑气缸盖多因素分散性的应力分布分析方法，属于气缸盖应力分析技术领域。本发明实现方法为：确定热‑机耦合计算考虑分散性的参数；通过实验或工况计算确定考虑分散性的参数的平均值；基于参数平均值，对气缸盖进行热‑机耦合有限元分析预测，并单独分析各危险部位的应力分布，缩小各部位的分析范围，提高预测气缸盖应力分布的精确性；基于蒙特卡罗算法将更多参数的分散性考虑进气缸盖有限元分析预测中，对所述参数进行简单随机抽样，并基于简单随机抽样后的参数值进行多次热‑机耦合有限元分析预测，得到各危险部位的应力分布以及应力概率分布；基于预测数据解决气缸盖领域相关工程技术问题。本发明具有分析预测效率高的优点。
-
公开(公告)号：CN113240095A
公开(公告)日：2021-08-10
申请号：CN202110635436.8
申请日：2021-06-07
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于粗糙集和神经网络的铸造气缸盖力学性能预测方法，属于铸造铝合金气缸盖相关领域。本发明的一种基于粗糙集和BP神经网络的力学性能预测方法，利用粗糙集理论，对影响力学性能的指标属性进行约简，从而减少神经网络的输入维数，把约简后的指标属性作为BP神经网络的输入进行力学性能预测。本发明在无需进行大量试验与模拟仿真的前提下，并且在几乎无损的试验条件下，即可对力学性能实施预测，在提高力学性能预测的准确性和效率的同时，降低了设计与生产成本，提高了生产效益。
-
公开(公告)号：CN117313311A
公开(公告)日：2023-12-29
申请号：CN202310852625.X
申请日：2023-07-12
Applicant: 北京理工大学
IPC: G06F30/20 , G06F30/15 , G06F17/15 , G06F119/14
Abstract: 本发明公开的基于ECMS与PPO算法的无人机混合动力能量管理方法，属于四旋翼无人机动力技术领域。本发明实现方法为：通过构建四旋翼动力学模型、考虑海拔高度的发动机仿真模型与无人机混合动力系统模型，并采集的无人机飞行工况参数，通过ECMS策略构建考虑动力电池能耗的等效燃油消耗率，构建由等效燃油消耗率、SOC稳定性、电池温度组成的多目标优化奖励函数；通过PPO算法对对目标优化问题进行迭代求解，依据寻找奖励值递增的动作原则和参数更新公式不断更新参数，输出奖励值收敛到最大的动作值，即满足目标函数无人机混合动力能量管理最优结果，进而实现对于发动机输出功率的连续实时控制与能量的最佳分配，提高混动系统经济性、续航性、可靠性。
-
公开(公告)号：CN116642984A
公开(公告)日：2023-08-25
申请号：CN202310578820.8
申请日：2023-05-22
Applicant: 北京理工大学
Abstract: 本发明公开的利用单轴加载方式实现双轴应力状态下裂纹扩展的试验样件及优化方法，属于材料力学性能测试领域。本发明包括顺次相连的中心减薄区、菱形工作段、板状过渡段、圆弧过渡段、螺纹夹持端。本发明利用异形孔及菱形边的几何设计，在中心减薄区实现对部件考核点处拉、压双轴应力状态的模拟，分析获取双轴拉压状态下裂纹萌生以及扩展规律。本发明利用开缝结构，实现应力在中心减薄区均匀分布，使得减薄区内裂纹萌生及扩展具有随机性；本发明利用对试验样件各尺寸的优化，实现对部件考核点的载荷模拟，能够部分代替部件级考核试验，缩短结构设计周期，减少部件消耗；本发明能够在单轴试验机上开展双轴拉压状态裂纹萌生、扩展试验。
-
公开(公告)号：CN116230124A
公开(公告)日：2023-06-06
申请号：CN202211604332.1
申请日：2022-12-13
Applicant: 北京理工大学
IPC: G16C60/00 , G16C20/30 , G06F30/23 , G06F30/27 , G06N3/049 , G06N3/0442 , G06N3/045 , G06N3/048 , G06N3/08 , G06N3/063 , G06F119/02 , G06F119/14
Abstract: 本发明公开的基于ANN和UMAT的耦合微组织损伤高温合金性能预测方法，属于高温镍基合金材料领域。本发明通过建立耦合微组织时序损伤的高温镍基合金材料的本构模型，微组织时序损伤包含γ′强化相、γ基体相、碳化物、蠕变孔洞等，相比只考虑单一损伤的损伤变量，此本构模型的适用性更好；构建基于耦合微组织时序损伤的高温镍基合金材料的本构模型的用户自定义材料库UMAT，即基于ANN和UMAT构建微组织损伤变量的神经网络预测模型，通过耦合微组织损伤变量的神经网络预测模型应用在用户自定义材料库UMAT中进行耦合微组织损伤的材料力学性能有限元仿真预测，利用神经网络优异的处理非线性处理的能力，提高对耦合微组织损伤高温合金性能预测的精度和效率。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.021 seconds)
