-
公开(公告)号：CN108734360B
公开(公告)日：2021-09-07
申请号：CN201810631871.1
申请日：2018-06-19
Applicant: 哈尔滨工业大学
IPC: G06Q10/04
Abstract: 一种基于修正的ELM预测模型多维遥测数据智能判读方法，本发明涉及基于修正的ELM预测模型多维遥测数据智能判读方法。本发明的目的是为了解决现有未超过阈值门限的异常数据导致卫星部件异常漏检；以及传统方法中判据规则一旦输入就无法更改，灵活性较差，无法跟踪数据的缓变趋势，一旦数据超过预设阈值，将会产生大量的虚警的问题。具体过程为：一、构建A个ELM单步预测模型，A个ELM单步预测模型输出当前时间点的A个目标参数；二、基于历史真实目标参数预测当前时间点的目标参数预测值；三、得到A个修正后的当前时间点的目标参数值；四、判断样本是否正常。本发明用于多维遥测数据智能判读方法领域。
-
公开(公告)号：CN109934337B
公开(公告)日：2020-12-25
申请号：CN201910194332.0
申请日：2019-03-14
Applicant: 哈尔滨工业大学
Abstract: 一种基于集成LSTM的航天器遥测数据异常的检测方法，它属于遥测数据异常的检测技术领域。本发明解决了现有方法对遥测数据上下文异常的检测的准确率低的问题。本发明对训练数据进行预处理，将训练数据分为训练集A和训练集B两个类别，再将训练集A和训练集B分别基于LSTM模型进行训练，能有效减少长期依赖对检测结果的影响，提升整体异常的检测的正确率；LSTM模型的预测结果按一定权重集成，得到最终的遥测数据预测值，利用预测结果与实际值的误差做差，即将误差进行平滑处理，并根据动态阈值检测出遥测数据的异常区间，与现有方法相比，本发明方法可以将航天器遥测数据上下文异常检测的准确率提升11％以上。本发明可以应用于遥测数据异常的检测技术领域。
-
公开(公告)号：CN109034191A
公开(公告)日：2018-12-18
申请号：CN201810631444.3
申请日：2018-06-19
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/6269 , G06K9/6256 , G06N3/126
Abstract: 基于ELM的单维遥测数据异常判读方法，涉及卫星遥测数据检测技术领域。本发明是为了解决在遥测数据的异常检测中，人工判读及专家经验在复杂及未知异常检测中存在局限性的问题。为了实现单维遥测数据的异常判读，本发明从航天器实际运行过程中可监测的遥测数据参数时间序列出发，离线训练基于优化的极限学习机算法的异常判读预测模型，构建遥测数据规则库。实时遥测数据被解析及预处理后，经过判读模型形成的判据规则对数据进行判读，将判读结果输出。本发明更适合于在轨卫星数据进行自动判读。
-
公开(公告)号：CN103399276B
公开(公告)日：2016-01-20
申请号：CN201310317219.X
申请日：2013-07-25
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 一种锂离子电池容量估计及剩余循环寿命预测方法，涉及一种电池容量估计及寿命的预测方法。本发明解决了无法实现锂电池的容量估计及剩余寿命的预测的问题，本发明将采集到的电池的充放电周期次数x、每个充放电周期的放电电压及电池容量和每次充放电后的电池的剩余容量数据z的a/n和剩余的（n-a）/n的数据作为测试数据，利用分段三次Hermite插值法对训练数据进行扩展，利用扩展后获得的不同插值点的训练数据进行建模，利用获得具有不同参数的GPR模型进行外推预测，对锂电池的下N次充放电循环周期后的电池剩余容量预测，获得N次充放电周期后的电池剩余容量；本发明适用于电池容量估计及寿命的预测。
-
公开(公告)号：CN104156473A
公开(公告)日：2014-11-19
申请号：CN201410422006.8
申请日：2014-08-25
Applicant: 哈尔滨工业大学
IPC: G06F17/30
CPC classification number: G05B23/0254
Abstract: 一种基于LS-SVM的传感器检测数据异常片段检测方法，涉及航天器监测数据异常检测领域。本发明是为了解决现有的单个测试点的异常检测方式难以判断时间序列中出现的短期趋势或模式出现的变化或异常的问题。该方法包括：1、设置所需检测置信概率p，检测片段长度n，片段内异常点最小个数m，2、从t0时刻起对时间序列长度n内的数据进行点异常检测置信概率为p的LS-SVM点异常检测，获得时间序列长度n内的预测残差和数据的异常点的个数，3、根据残差和数据的异常点的个数确定异常点存在的位置。它可应用在航空航天飞行器监控领域。
-
Patent Agency Ranking
公开(公告)号：CN103974311A
公开(公告)日：2014-08-06
申请号：CN201410216320.0
申请日：2014-05-21
Applicant: 哈尔滨工业大学
IPC: H04W24/04
Abstract: 基于改进高斯过程回归方法的状态监测数据流异常检测方法，本发明涉及状态监测数据流异常检测方法。本发明是要解决现有方法处理监测数据流的异常检测效果低的问题。一、确定历史数据滑动窗口尺寸；二、确定均值函数与协方差函数的类型；三、设定超参数初始值为[0-1]之间的随机数；四、提取与当前时刻t最近的q个数据；五、确定高斯过程回归模型；六、利用高斯过程回归模型的性质进行预测；七、计算t+1时刻的正常数据的PI；八、将监测数据与PI比较；九、判断是否将真实的监测数据标记为异常；十、计算对应于t+1时刻监测值的β(xt+1)；十一、将真实值或者预测均值与t+1添加到DT；十二、创建新的DT。本发明应用于网络通信领域。
-
公开(公告)号：CN102789545A
公开(公告)日：2012-11-21
申请号：CN201210240981.8
申请日：2012-07-12
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于退化模型匹配的涡轮发动机剩余寿命的预测方法，涉及涡轮发动机剩余寿命预测方法，它为了解决现有涡轮发动机剩余寿命的预测采用通用RUL预测模型的预测效果无法达到预测要求的问题，它包括具体步骤如下：步骤一、数据预处理：从采集到的数据提取运行状态变量；从传感器采集到特征向量；由运行状态变量与特征向量融合得到健康因子；步骤二、建立退化模型库：利用健康因子建立退化模型；多个退化模型组成退化模型库；步骤三、相似性评估：将退化轨迹与模型库中的模型匹配，每个模型给出一个RUL估计；步骤四、RUL融合：根据测试涡轮发动机与模型匹配程度，采用相似度加权，融合得到最终的剩余寿命预测值。适用于涡轮发动机剩余寿命预测。
-
公开(公告)号：CN117010079A
公开(公告)日：2023-11-07
申请号：CN202310810033.1
申请日：2023-07-04
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于在线学习的航天器运行状态短时预测方法。本发明所述方法首先基于有限的地面试验数据，挖掘航天器运行状态以及对应状态监测参数在时序上的关联关系，进而建立基于时间卷积网络(TemporalConvolutionalNetwork,TCN)的航天器运行状态短时预测模型。在此基础上，基于实时采集的航天器遥测数据，采用递推极限学习机(RecursionExtremeLearningMachine,R‑ELM)的方法对模型进行在线更新，并用更新后的模型完成航天器运行状态的短时预测，进而减少因为模型失配导致的预测偏差。
-
公开(公告)号：CN109034191B
公开(公告)日：2021-06-01
申请号：CN201810631444.3
申请日：2018-06-19
Applicant: 哈尔滨工业大学
Abstract: 基于ELM的单维遥测数据异常判读方法，涉及卫星遥测数据检测技术领域。本发明是为了解决在遥测数据的异常检测中，人工判读及专家经验在复杂及未知异常检测中存在局限性的问题。为了实现单维遥测数据的异常判读，本发明从航天器实际运行过程中可监测的遥测数据参数时间序列出发，离线训练基于优化的极限学习机算法的异常判读预测模型，构建遥测数据规则库。实时遥测数据被解析及预处理后，经过判读模型形成的判据规则对数据进行判读，将判读结果输出。本发明更适合于在轨卫星数据进行自动判读。
-
公开(公告)号：CN108734360A
公开(公告)日：2018-11-02
申请号：CN201810631871.1
申请日：2018-06-19
Applicant: 哈尔滨工业大学
IPC: G06Q10/04
Abstract: 一种基于修正的ELM预测模型多维遥测数据智能判读方法，本发明涉及基于修正的ELM预测模型多维遥测数据智能判读方法。本发明的目的是为了解决现有未超过阈值门限的异常数据导致卫星部件异常漏检；以及传统方法中判据规则一旦输入就无法更改，灵活性较差，无法跟踪数据的缓变趋势，一旦数据超过预设阈值，将会产生大量的虚警的问题。具体过程为：一、构建A个ELM单步预测模型，A个ELM单步预测模型输出当前时间点的A个目标参数；二、基于历史真实目标参数预测当前时间点的目标参数预测值；三、得到A个修正后的当前时间点的目标参数值；四、判断样本是否正常。本发明用于多维遥测数据智能判读方法领域。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.03 seconds)
