-
公开(公告)号：CN116028865A
公开(公告)日：2023-04-28
申请号：CN202310018871.5
申请日：2023-01-06
Applicant: 哈尔滨工业大学
IPC: G06F18/241 , G06F18/214 , G06N20/00 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 一种基于特征扩增的航空发动机故障诊断方法，属于航空发动机故障诊断技术领域。本发明针对航空发动机故障信号特征的显著性逐渐降低，难以充分提取发动机实际运维数据中的有用信息，进而影响故障诊断正确率的问题。包括对原始样本进行高维特征扩增，得到特征扩增后样本；再进行归一化处理，再由归一化后样本构造训练样本集；将训练样本集中的正常状态样本和故障样本分别设置不同标签；采用训练样本集对故障诊断网络进行训练，当达到预设迭代次数后，得到训练后故障诊断网络；采集航空发动机的运行数据，处理后得到归一化后待诊断数据；将归一化后待诊断数据输入训练后故障诊断网络，得到航空发动机故障诊断结果。本发明用于航空发动机故障诊断。
-
Patent Agency Ranking
公开(公告)号：CN114742165B
公开(公告)日：2023-04-18
申请号：CN202210396198.4
申请日：2022-04-15
Applicant: 哈尔滨工业大学
IPC: G06F18/214 , G06F18/213 , G06F18/241 , G06N3/04 , G06N3/08
Abstract: 一种基于深度自编码器的航空发动机气路性能异常检测系统，属于航空发动机性能检测技术领域。本发明为解决现有航空发动机气路异常的检测手段落后，检测结果准确性差的问题。包括：深度自编码器模块，包括气路异常分数计算模块和基于迁移学习的深度特征提取模块AE3；其中气路异常分数计算模块包括编码器一、解码器一和解码器二；其中编码器一与解码器一组成深度自编码器AE1，编码器一与解码器二组成深度自编码器AE2；深度特征提取模块AE3包括编码器二和解码器三；训练后深度自编码器模块用于对输入检测数据进行处理，处理结果采用随机森林分类器进行异常判断。本发明用于航空发动机气路性能异常检测。
-
公开(公告)号：CN117891955B
公开(公告)日：2024-08-06
申请号：CN202410068229.2
申请日：2024-01-17
Applicant: 哈尔滨工业大学
Abstract: 一种基于多尺度注意力网络的知识图谱链接预测方法，属于知识图谱技术领域。本发明针对现有知识图谱嵌入模型在获取更多交互特征的同时会淹没重要特征的问题。包括建立知识图谱嵌入模型：由输入模块基于头实体向量和关系向量得到特征矩阵；再由编码模块得到多个基于权重选择的特征图，在通道维度上拼接得到拼接后特征图；得分模块将拼接后特征图压平为一维向量并投影到尾实体的向量空间获得隐藏层向量与知识图谱中所有尾实体向量分别做矩阵乘法，得到三元组分数；选择得分最高的三元组作为链接预测结果；采用最小化交叉熵损失函数实现知识图谱嵌入模型的训练；采用训练后知识图谱嵌入模型进行知识图谱链接预测。本发明用于知识图谱的链接预测。
-
公开(公告)号：CN117891955A
公开(公告)日：2024-04-16
申请号：CN202410068229.2
申请日：2024-01-17
Applicant: 哈尔滨工业大学
Abstract: 一种基于多尺度注意力网络的知识图谱链接预测方法，属于知识图谱技术领域。本发明针对现有知识图谱嵌入模型在获取更多交互特征的同时会淹没重要特征的问题。包括建立知识图谱嵌入模型：由输入模块基于头实体向量和关系向量得到特征矩阵；再由编码模块得到多个基于权重选择的特征图，在通道维度上拼接得到拼接后特征图；得分模块将拼接后特征图压平为一维向量并投影到尾实体的向量空间获得隐藏层向量与知识图谱中所有尾实体向量分别做矩阵乘法，得到三元组分数；选择得分最高的三元组作为链接预测结果；采用最小化交叉熵损失函数实现知识图谱嵌入模型的训练；采用训练后知识图谱嵌入模型进行知识图谱链接预测。本发明用于知识图谱的链接预测。
-
公开(公告)号：CN115659496A
公开(公告)日：2023-01-31
申请号：CN202211273994.5
申请日：2022-10-18
Applicant: 哈尔滨工业大学
IPC: G06F30/15 , G06F30/27 , G06N3/0464 , G06N3/048 , G06N3/0442 , G06N3/0455 , G06N3/088
Abstract: 基于DLBR的航空发动机性能模型重构方法，涉及涡扇发动机气路特性参数的重构技术领域。本发明是为了解决航空发动机上仅有少量的传感器能够采集器特性参数，导致构建航空发动机性能模型所需的特性参数不完整、模型无法建立的问题。本发明将航空发动机完备气路特性参数X输入至训练好的自编码器中对X进行降维与重构，获得重构结果然后以可测气路特性参数S作为输入，以自编码器的特征空间h作为输出，构建基于LSTM的S与h之间的映射模型；最后将映射模型与自编码器建立联系，获得以可测气路特性参数S作为输入、以重构结果作为输出的航空发动机性能重构模型。
-
公开(公告)号：CN114742165A
公开(公告)日：2022-07-12
申请号：CN202210396198.4
申请日：2022-04-15
Applicant: 哈尔滨工业大学
Abstract: 一种基于深度自编码器的航空发动机气路性能异常检测系统，属于航空发动机性能检测技术领域。本发明为解决现有航空发动机气路异常的检测手段落后，检测结果准确性差的问题。包括：深度自编码器模块，包括气路异常分数计算模块和基于迁移学习的深度特征提取模块AE3；其中气路异常分数计算模块包括编码器一、解码器一和解码器二；其中编码器一与解码器一组成深度自编码器AE1，编码器一与解码器二组成深度自编码器AE2；深度特征提取模块AE3包括编码器二和解码器三；训练后深度自编码器模块用于对输入检测数据进行处理，处理结果采用随机森林分类器进行异常判断。本发明用于航空发动机气路性能异常检测。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
