-
公开(公告)号：CN115329855A
公开(公告)日：2022-11-11
申请号：CN202210932797.3
申请日：2022-08-04
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种非理想数据条件下的装备数据集构建方法，包括：采集装备状态数据；通过沃瑟斯坦生成对抗网络对装备状态数据进行扩充，构建平衡的装备状态数据集；沃瑟斯坦生成对抗网络包括：生成器和判别器；根据装备状态数据，提取观测矩阵并构造字典矩阵，修复出完整的装备状态数据集；字典矩阵为离散余弦变换矩阵；根据装备状态数据，使用快速独立成分分析方法，构建去噪后的装备状态数据集；完成对非理想数据条件下的装备数据集的构建。该方法可实现在非理想数据条件下构建出完整反映装备状态的数据集。
-
公开(公告)号：CN115858952A
公开(公告)日：2023-03-28
申请号：CN202211565541.X
申请日：2022-12-07
Applicant: 哈尔滨工业大学
IPC: G06F16/9537 , G06F17/13 , G06F17/16
Abstract: 一种基于时间序列的资源时空状态信息预测方法，属于虚拟试验的实体状态预测领域。它针对分布式虚拟试验中存在的实体状态数据传输延迟和数据丢包的问题。包括：获取n个变量在前m个时刻的非负n个时间序列状态数据，并分析获得N个强相关性时间序列状态数据；对每个强相关性时间序列状态数据进行处理，生成r阶累加生成序列；基于r阶累加生成序列建立N阶白化微分方程，并对由N阶白化微分方程的系数和常数项组成的辨识参数进行求解，再根据求解获得的辨识参数建立K时刻分数阶多元灰色模型EFMGM(1,N)的时间响应函数；对K时刻时间响应函数进行累减还原得到K时刻状态数据的预测值。本发明用于资源时空状态信息预测。
-
Patent Agency Ranking
公开(公告)号：CN112307586A
公开(公告)日：2021-02-02
申请号：CN202011309881.7
申请日：2020-11-20
Applicant: 哈尔滨工业大学
IPC: G06F30/17 , G06F30/20 , G06F119/02 , G06F119/04
Abstract: 一种基于分布式架构的装备退化状态故障预测系统，属于装备故障预测技术领域。本发明针对复杂装备的故障监测中将退化状态识别与故障预测相结合，存在数据处理可靠性和安全性差的问题。包括：Zynq‑7020硬件平台数据处理模块，用于根据目标装备的实时采集数据获得装备性能退化特征；故障预测模块，用于根据装备性能退化特征构建健康因子，并通过故障预测模型预测目标装备的剩余寿命；所述故障预测模型通过带标签的数据进行预训练后建立。本发明可提高装备故障预测的实时性。
-
公开(公告)号：CN118473574A
公开(公告)日：2024-08-09
申请号：CN202410555623.9
申请日：2024-05-07
Applicant: 哈尔滨工业大学
IPC: H04J3/06
Abstract: 本发明提供了一种基于分布式系统的同步频率受限下高精度守时方法，利用外同步源实现分布式系统中主时钟节点的高精度授时，再利用PTP协议实现分布式系统中主时钟节点和从时钟节点之间的高精度时间同步。其中所述从时钟节点的高精度守时基于PTP协议报文，通过频率测量、频率预测评估、频率调整和守时秒输出进行分布式系统的高精度守时。本发明通过上述方法，可以采用中等品质晶振进行有效地频率测量、预测和调整，不仅提高了守时精度，还能够在外同步源信号中断后保证系统的稳定性，降低了使用成本，提高了系统的适用性，具有较高的实用价值和推广前景。
-
公开(公告)号：CN112307586B
公开(公告)日：2022-08-26
申请号：CN202011309881.7
申请日：2020-11-20
Applicant: 哈尔滨工业大学
IPC: G06F30/17 , G06F30/20 , G06F119/02 , G06F119/04
Abstract: 一种基于分布式架构的装备退化状态故障预测系统，属于装备故障预测技术领域。本发明针对复杂装备的故障监测中将退化状态识别与故障预测相结合，存在数据处理可靠性和安全性差的问题。包括：Zynq‑7020硬件平台数据处理模块，用于根据目标装备的实时采集数据获得装备性能退化特征；故障预测模块，用于根据装备性能退化特征构建健康因子，并通过故障预测模型预测目标装备的剩余寿命；所述故障预测模型通过带标签的数据进行预训练后建立。本发明可提高装备故障预测的实时性。
-
公开(公告)号：CN111914703A
公开(公告)日：2020-11-10
申请号：CN202010697580.X
申请日：2020-07-20
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，属于故障诊断技术领域。所述故障诊断方法包括以下步骤：S100采集机械旋转部件在已知各种故障下的振动信号，形成数据集A；S200将数据集A中的振动数据经小波变换处理，构建小波变换时频图数据集B，并将数据集按8:1:1的比例随机划分为训练集、验证集和测试集；S300基于数据集B的训练集和验证集，构建迁移学习GoogLeNet故障分类模型；S400使用迁移学习GoogLeNet故障分类模型对小波变换时频图数据集B的测试集数据进行诊断分类，得到机械旋转部件的故障分类结果。本发明能较好地提升了机械旋转部件故障诊断准确率。
-
公开(公告)号：CN111680661A
公开(公告)日：2020-09-18
申请号：CN202010567687.2
申请日：2020-06-19
Applicant: 哈尔滨工业大学
Abstract: 一种基于多特征融合的机械旋转部件性能退化跟踪方法，它涉及一种机械旋转部件性能退化跟踪方法。本发明为了解决现有的性能退化跟踪方法不能全面准确的地刻画机械旋转部件的全部状态信息，无法为机械旋转部件性能退化提供有效参考数据的问题。本发明的步骤一：获取机械旋转部件退化数据；步骤二：从机械旋转部件的原始振动信号中提取多种特征；步骤三：计算提取得到的多种特征的相关性、单调性、鲁棒性和综合指标，筛选综合指标值最高的8项特征，构成敏感特征数据集；步骤四：构建LSTM网络，将步骤四中筛选的敏感特征数据集输入到LSTM网络，进行多特征融合获得融合特征LSTM-HI，融合特征LSTM-HI即为健康因子。本发明用于机械旋转部件性能退化跟踪。
-
-
-
-
-
-
Search Results
7
records
(took 0.016 seconds)
