-
公开(公告)号：CN117787470A
公开(公告)日：2024-03-29
申请号：CN202311621554.9
申请日：2023-11-30
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G06Q10/04 , G06F18/15 , G06F18/2131 , G06N3/0442 , G06F18/214
Abstract: 一种基于EWT和集成方法的时序预测方法和系统，涉及信息处理技术领域。解决现有非平稳的时间序列数据使用神经网络方法进行时序预测会忽略一些细节特征，预测效果不理想，存在局限性的问题。所述方法包括：对时间序列数据进行预处理，得到时间序列数据；根据经验小波变换EWT方法分解时间序列样本数据，获取残差趋势分量和细节分量IMF；采用高斯过程回归GPR对残差趋势项进行预测，获取预测的残差趋势项；采用TAM‑BiLSTM网络模型对细节分量IMF进行预测，获取预测的细节分量；将所述预测的残差趋势项和预测的细节分量叠加重构，获取最终的时间序列的预测结果。应用于金融科技、社会科学、交通流量等领域。
-
Patent Agency Ranking
公开(公告)号：CN119647381A
公开(公告)日：2025-03-18
申请号：CN202411726742.2
申请日：2024-11-28
Applicant: 哈尔滨工业大学
IPC: G06F30/367 , G06F30/373 , G06F119/14 , G06F119/04
Abstract: 一种考虑质量一致性的MOS场效应管失效物理建模及估计方法，属于MOS场效应管性能与可靠性分析技术领域。为了解决现有的MOS场效应管失效物理建模方案未曾考虑性能参数退化过程以及退化模型中的模型系数存在无法反映批次产品一致性的问题，本发明首先根据MOS场效应管的典型失效机理，确定考虑质量一致性的失效物理模型通用表达形式，开展MOS场效应管多应力加速试验设计并试验得到加速试验结果，采用基于Copula的多参数相关性方法，计算失效物理模型系数，得到电子元器件失效物理模型，进而确定考虑质量一致性的失效物理模型。最后根据考虑质量一致性的失效物理模型进行估计。
-
公开(公告)号：CN119514211A
公开(公告)日：2025-02-25
申请号：CN202411636146.5
申请日：2024-11-15
Applicant: 哈尔滨工业大学
IPC: G06F30/20 , G01R31/00 , G06F119/02 , G06F119/04 , G06F119/08 , G06F119/14
Abstract: 考虑热应力水平相互作用的电解电容器退化累积模型建立方法、退化预测方法及设备，属于电子元器件可靠性技术领域。为了解决现有的电解电容器退化模型对电解电容器退化进行预测存在预测结果偏差较大的问题，本发明首先开展恒定热应力退化试验，建立恒定热应力下电容器参数的退化模型，然后开展两阶段恒定热应力退化试验，并根据试验数据估计路径调整因子，根据路径调整因子建立路径调整因子数学模型，确定退化累积模型形式，进而建立路径调整因子数学模型，并确定退化累积模型形式，根据退化累积模型形式进行预测。本发明用于电解电容器退化预测。
-
公开(公告)号：CN117687378A
公开(公告)日：2024-03-12
申请号：CN202311563590.4
申请日：2023-11-22
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G05B23/02
Abstract: 基于互信息相比相关系数的故障预报方法及系统，涉及电子测量技术领域。使得具有开销小和性能优越的优势且无需额外的硬件、无需训练数据、无需了解系统结构与器件参数。方法为采集控制系统输出的多维参数；对所述多维参数进行平滑滤波处理，获得滤波后的多维参数；对所述滤波后的多维参数，计算相互之间的最大互信息；根据所述最大互信息对所述多维参数进行属性集合划分，获得若干属性集合；计算所述属性集合的平均最大互信息；根据所述平均最大互信息进行故障标识。本发明适用于预报控制系统输出多维参数中将会出现的故障和主要面向属性集合的故障预报。
-
公开(公告)号：CN117668538A
公开(公告)日：2024-03-08
申请号：CN202311563366.5
申请日：2023-11-22
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G06F18/214 , G06F18/22 , G06F18/15 , G06N3/045 , G06N3/0442 , G06N3/0499 , G06N3/084 , G06F17/18
Abstract: 一种基于改进VMD和Bi‑GRU的时间序列预测方法和系统，涉及信息处理技术领域。解决现有使用神经网络方法对小样本数据进行时序预测忽略细节特征，预测效果不理想的问题。所述方法包括：对时间序列数据进行预处理，获得时间序列样本数据；采用改进的VMD方法将时间序列样本数据分为K个不同频域上的子序列；计算子序列的多尺度样本熵，根据计算结果将K个子序列进行分组；根据多尺度样本熵分组结果，选择不同的Bi‑GRU的时间序列预测模型库，进行预测；将预测结果和多尺度样本熵分组结果输入至BP神经网络，进行数据重构，获取最终时间序列的预测结果。应用于电动汽车电池领域。
-
公开(公告)号：CN118607701A
公开(公告)日：2024-09-06
申请号：CN202410653044.8
申请日：2024-05-24
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: G06Q10/04 , G06Q10/20 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06F17/16
Abstract: 本发明是一种识别状态影响的设备寿命预测系统及方法。本发明涉及设备寿命信息处理技术技术领域，本发明获取设备的多维监测数据；设备的监测数据对监测的特征进行初步筛选，保留包含设备退化信息的监测特征数据，构建设备的健康状态记忆矩阵；进行设备退化状态的识别；搭建LSTM‑Transformer网络，进行预测模型的网络参数的调优，选定对应的寿命预测模型，用于寿命预测。本发明构建了LSTM‑Transformer的结合网络，充分利用多头注意力机制，并将重构向量与特征向量的残差向量作为网络的输入，放大性能退化，提高预测效果。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
