-
公开(公告)号：CN113837226A
公开(公告)日：2021-12-24
申请号：CN202110981317.8
申请日：2021-08-25
Applicant: 哈尔滨工业大学 , 北京电子工程总体研究所
Abstract: 本发明公开了基于不确定性估计的飞行器遥测参数异常检测方法，属于数据处理技术领域，解决现有方法中不能反映模型估计的置信度和过度拟合的问题。本发明的方法包括：建立基于LSTM的飞行器多元遥测参数不确定性表征估计模型；获取飞行器多元遥测参数的测试参数集和待检测参数的测试数据，对测试参数集进行特征选取；对测试特征参数集进行特征融合；将测试融合特征参数集重复输入到基于LSTM的飞行器多元遥测参数不确定性表征估计模型，获得待检测参数的估计值集合；获得待检测参数的平滑动态阈值区间；根据待检测参数的平滑动态阈值区间和待检测参数的测试数据，判断飞行器的健康状态。本发明适用于对飞行器遥测参数进行异常检测。
-
公开(公告)号：CN113837226B
公开(公告)日：2024-08-20
申请号：CN202110981317.8
申请日：2021-08-25
Applicant: 哈尔滨工业大学 , 北京电子工程总体研究所
IPC: G06F18/241 , G06F18/2135 , G06F18/25 , G06N3/0442 , G06N3/084
Abstract: 本发明公开了基于不确定性估计的飞行器遥测参数异常检测方法，属于数据处理技术领域，解决现有方法中不能反映模型估计的置信度和过度拟合的问题。本发明的方法包括：建立基于LSTM的飞行器多元遥测参数不确定性表征估计模型；获取飞行器多元遥测参数的测试参数集和待检测参数的测试数据，对测试参数集进行特征选取；对测试特征参数集进行特征融合；将测试融合特征参数集重复输入到基于LSTM的飞行器多元遥测参数不确定性表征估计模型，获得待检测参数的估计值集合；获得待检测参数的平滑动态阈值区间；根据待检测参数的平滑动态阈值区间和待检测参数的测试数据，判断飞行器的健康状态。本发明适用于对飞行器遥测参数进行异常检测。
-
公开(公告)号：CN119992379A
公开(公告)日：2025-05-13
申请号：CN202510058516.X
申请日：2025-01-15
IPC: G06V20/17 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/40
Abstract: 本发明提出了一种基于AE‑YOLO11的轻量化高性能反无人机检测方法，属于低空无人机智能检测技术领域，首先将AKConv模块和ELA模块融合进原始的YOLO11目标检测模型，构造AE‑YOLO11模型；然后收集来自不同背景环境的无人机图像数据并进行预处理；接着针对反无人机检测任务的特点，设计损失函数，对小目标的检测损失进行加权处理，选择优化器，训练AE‑YOLO11模型；最后将待检测的图像输入到训练好的AE‑YOLO11模型中，输出包含无人机目标位置、类别和置信度的检测结果；本发明能在资源受限平台，也可利用该轻量化模型对空域内的无人机进行快速检测和实时追踪。
-
公开(公告)号：CN119962111A
公开(公告)日：2025-05-09
申请号：CN202510048683.6
申请日：2025-01-13
IPC: G06F30/17 , G06F30/27 , G01M13/04 , G06N3/045 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/0499 , G06N3/0464 , G06N3/084 , G06F119/04
Abstract: 本发明提出一种基于GBIT‑GAN的旋转机械剩余使用寿命预测方法。该方法通过结合图神经网络GNN与双向Transformer生成对抗网络BIT‑GAN，能够充分利用旋转机械的结构信息构建图结构，GNN层可以准确捕捉部件之间的拓扑关系。双向Transformer则在处理时间序列数据时表现出色，能够很好地挖掘数据中的长期依赖关系，生成器和判别器的对抗训练机制进一步提高了模型的准确性和可靠性。所述方法在旋转机械剩余使用寿命预测方面具有显著优势，能够为工业生产中旋转机械的维护和管理提供更精准、可靠的决策依据，极大地降低设备故障风险，对提升工业生产效率和经济效益具有重要意义。
-
公开(公告)号：CN119334295A
公开(公告)日：2025-01-21
申请号：CN202411776978.7
申请日：2024-12-05
Abstract: 本发明是一种基于质量偏差与不平衡解耦的飞机辅助动力装置涡轮叶片旋转半径测量方法。本发明涉及机械测量技术领域，本发明使用动平衡机测量装配两个叶片的涡轮转子，并依据测量得到的不平衡量误差以及叶片质量和叶盘不平衡量参数，反向推导计算出涡轮叶片的旋转半径。本发明首先利用配重的方法将叶盘的不平衡量抵消，然后对叶片进行称重，挑选两个质量差距较大的叶片进行装配，测量得到转子整体的不平衡量，最后分别推导出奇数个叶片的转子和偶数个叶片的转子的叶片旋转半径计算方法。本发明不需要额外使用其余设备进行测量或者扫描，节约了经济成本；且本发明对叶片的形状没有要求，对各种形状的叶片均适用。
-
Patent Agency Ranking
公开(公告)号：CN114781262B
公开(公告)日：2024-10-29
申请号：CN202210420404.0
申请日：2022-04-21
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06N3/0442 , G06N3/08 , G06F119/04
Abstract: 本发明公开了一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统，其中，该方法包括：获取n个电池单体的容量退化数据并进行重构，得到训练数据集；建立j个基于序列对序列模型的容量预测模型，并利用所述训练数据集分别训练；将待测电池单体某周期的放电容量作为某训练好的模型的初始输入，得到第一步预测输出结果；再在其输入至这个模型中，得到下一步预测输出结果，迭代执行直至低于失效阈值，将每步预测输出结果首尾相连得到退化过程曲线；并对其他模型进行预测得到j条容量退化曲线，求其容量取均值，得到最终预测结果。该方法解决了现有使用单步迭代预测模式带来的长时预测精度和稳定性不佳的问题。
-
公开(公告)号：CN118734044A
公开(公告)日：2024-10-01
申请号：CN202411009819.4
申请日：2024-07-26
Applicant: 哈尔滨工业大学
IPC: G06F18/213 , G06F18/25 , G06F18/2433 , G06F123/02
Abstract: 本发明提出一种自适应时空特征融合的卫星星座遥测异常检测方法，包括：步骤1：将星座网络的历史卫星星座遥测时间序列数据划分为训练遥测数据集和测试遥测数据集；步骤2：对所述训练遥测数据集进行预处理；步骤3：构建卫星星座遥测数据预测模型；步骤4：基于所述训练遥测数据集对卫星星座遥测数据预测模型进行训练；步骤5：将所述测试遥测数据集输入训练后的卫星星座遥测数据预测模型中获取卫星星座遥测数据预测结果，并对卫星星座遥测数据预测进行实时异常检测。本发明通过时间尺度和空间尺度上交替的特征提取，能够输出更偏向于正常运行状态的预测结果，有利于实现更高精度的异常检测。
-
公开(公告)号：CN117389628A
公开(公告)日：2024-01-12
申请号：CN202311280747.2
申请日：2023-09-28
Applicant: 哈尔滨工业大学
IPC: G06F9/38
Abstract: 一种基于CSD编码的短时傅里叶变换流水线加窗装置及方法，涉及特征提取领域。为解决现有技术中存在的，在处理需要使用其他窗函数的信号时只能使用原先的高资源消耗的硬件结构，难以满足高吞吐量、实时处理的需求的技术问题，本发明提供的技术方案为：一种基于CSD编码的短时傅里叶变换流水线加窗装置，所述装置包括：采集连续输入的时间序列数据和窗函数的模块；对所述连续输入的时间序列数据和窗函数进行乘法操作的加窗模块；对进行了乘法操作的所述连续输入的时间序列数据和窗函数进行数据时序整理和顺序变换，得到重叠延时信号的重叠延时模块。适合应用于STFT硬件结构实现中的时域局域化加窗工作中。
-
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：CN113204914A
公开(公告)日：2021-08-03
申请号：CN202110392092.2
申请日：2021-04-12
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于多架次飞行数据表征建模的飞行数据异常判读方法，采集飞行器相同系统或部件的多架次运行所生成的飞行数据，进行数据表征建模,首先将所述飞行数据中各时间序列对齐；对于时间序列，采用基于K‑Means的时间序列聚类方法，进行表征建模；通过基于阈值或者偏差的异常检测方法，实现飞行数据异常判读，对于超出阈值或者偏差过大的数据，判读为异常数据，并给出告警信息；本发明可以在缺少飞行器异常数据样本的情况下，依赖正常多架次飞行数据建立异常监测模型，可在极低的虚警率的前提下，对测试数据的正常与否进行判读。
-
-
-
-
-
-
-
-
-
Search Results
325
records
(took 0.044 seconds)
