公开(公告)号：CN117806172B

公开(公告)日：2024-05-24

申请号：CN202410218787.2

申请日：2024-02-28

Applicant: 华中科技大学

Inventor： 王延之 ,  胡杰翔 ,  王丽娇 ,  余子阳 ,  王楚 ,  吴金红 ,  周奇 ,  查志坚 ,  罗荣敏

IPC: G05B13/04

Abstract: 本发明提供一种基于云边协同与自适应知识传递的故障诊断方法，涉及故障诊断技术领域，包括以下步骤：采集齿轮箱的运行状态数据，并对运行状态数据进行过采样处理，得到训练数据集；构建第一模型和第二模型，利用训练数据集对第一模型进行迭代训练，得到第一模型对训练数据集的第一预测结果；结合第一预测结果和知识传递方法，使用训练数据集对第二模型进行迭代训练，得到优化后的第二模型；在边缘计算设备中部署优化后的第二模型，从齿轮箱中采集实时数据，导入优化后的第二模型进行检测，得到故障诊断结果。本发明能够充分利用云端和边缘端的计算资源，同时满足实时性需求，为风电机组运行状态数据的预测和诊断提供了有效的解决方案。

公开(公告)号：CN118035873A

公开(公告)日：2024-05-14

申请号：CN202410223999.X

申请日：2024-02-29

Applicant: 华中科技大学

Inventor： 胡杰翔 ,  王延之 ,  王丽娇 ,  吴金红 ,  查志坚 ,  余子阳 ,  周奇 ,  王楚 ,  龚林涛

IPC: G06F18/2415 ,  G01M13/028 ,  G06F18/15 ,  G06F18/2131 ,  G06F18/22 ,  G06N3/045 ,  G06N3/0464 ,  G06F123/02

Abstract: 本发明提供一种并行卷积改进三元组网络的故障诊断方法，涉及故障诊断技术领域，包括：对齿轮箱的运行状态数据进行数据采集，得到初始数据集；针对每个初始数据构造为三元组数据，得到三元组数据集；构建故障诊断模型，包括特征提取网络、距离度量网络和分类器网络；将三元组数据集输入特征提取网络中，利用特征提取网络提取三元组数据集的特征向量，同时将特征向量输入距离度量网络和分类器网络中进行联合迭代训练，即得到优化后的故障诊断模型；获取齿轮箱的实时数据，利用优化后的故障诊断模型对实时数据进行故障诊断，得到诊断结果。本发明解决了现有故障诊断模型在不平衡条件下对故障样本缺乏导致的故障信息提取难的问题。

公开(公告)号：CN115879350A

公开(公告)日：2023-03-31

申请号：CN202310071166.1

申请日：2023-02-07

Applicant: 华中科技大学

Inventor： 周奇 ,  吴金红 ,  罗舒杨 ,  林泉 ,  黄旭丰 ,  胡杰翔 ,  钟林君 ,  刘华坪 ,  王延之 ,  王楚

IPC: G06F30/23 ,  G06F30/27 ,  G06N3/088

Abstract: 本发明提出了一种基于序贯采样的飞行器阻力预测方法，涉及飞行器设计领域，包括以下步骤：S1，确定设计空间，采样生成第一精度样本点和第二精度样本点，作为初始样本集；S2，通过有限元仿真构建第一精度模型和第二精度模型，由第一精度模型生成第一精度数据，并通过克里金近似建模方法构建第一精度近似模型；S3，由第二精度模型生成第二精度数据，计算第一精度数据与第二精度数据的差值，并构建加法标度模型，由加法标度模型和第一精度近似模型组成多精度近似模型；S4，判断多精度近似模型是否满足加点收敛准则，不满足时，添加新的第二精度样本点至初始样本集中，更新样本集，并重复步骤S3；满足时，输出多精度近似模型，预测飞行阻力。

公开(公告)号：CN118035873B

公开(公告)日：2024-06-18

申请号：CN202410223999.X

申请日：2024-02-29

Applicant: 华中科技大学

Inventor： 胡杰翔 ,  王延之 ,  王丽娇 ,  吴金红 ,  查志坚 ,  余子阳 ,  周奇 ,  王楚 ,  龚林涛

IPC: G06F18/2415 ,  G01M13/028 ,  G06F18/15 ,  G06F18/2131 ,  G06F18/22 ,  G06N3/045 ,  G06N3/0464 ,  G06F123/02

Abstract: 本发明提供一种并行卷积改进三元组网络的故障诊断方法，涉及故障诊断技术领域，包括：对齿轮箱的运行状态数据进行数据采集，得到初始数据集；针对每个初始数据构造为三元组数据，得到三元组数据集；构建故障诊断模型，包括特征提取网络、距离度量网络和分类器网络；将三元组数据集输入特征提取网络中，利用特征提取网络提取三元组数据集的特征向量，同时将特征向量输入距离度量网络和分类器网络中进行联合迭代训练，即得到优化后的故障诊断模型；获取齿轮箱的实时数据，利用优化后的故障诊断模型对实时数据进行故障诊断，得到诊断结果。本发明解决了现有故障诊断模型在不平衡条件下对故障样本缺乏导致的故障信息提取难的问题。

公开(公告)号：CN117806172A

公开(公告)日：2024-04-02

申请号：CN202410218787.2

申请日：2024-02-28

Applicant: 华中科技大学

Inventor： 王延之 ,  胡杰翔 ,  王丽娇 ,  余子阳 ,  王楚 ,  吴金红 ,  周奇 ,  查志坚 ,  罗荣敏

IPC: G05B13/04

Abstract: 本发明提供一种基于云边协同与自适应知识传递的故障诊断方法，涉及故障诊断技术领域，包括以下步骤：采集齿轮箱的运行状态数据，并对运行状态数据进行过采样处理，得到训练数据集；构建第一模型和第二模型，利用训练数据集对第一模型进行迭代训练，得到第一模型对训练数据集的第一预测结果；结合第一预测结果和知识传递方法，使用训练数据集对第二模型进行迭代训练，得到优化后的第二模型；在边缘计算设备中部署优化后的第二模型，从齿轮箱中采集实时数据，导入优化后的第二模型进行检测，得到故障诊断结果。本发明能够充分利用云端和边缘端的计算资源，同时满足实时性需求，为风电机组运行状态数据的预测和诊断提供了有效的解决方案。