-
公开(公告)号：CN117992862B
公开(公告)日：2024-07-12
申请号：CN202410404284.4
申请日：2024-04-07
Applicant: 山东大学
IPC: G06F18/241 , G06N3/0895 , G06N3/0464 , G01M13/00 , G06F123/02
Abstract: 本发明提出了基于大模型的两阶段旋转机械设备可靠性评估方法及系统，属于旋转机械设备可靠性评估技术领域，包括：针对旋转机械设备采集其在不同工况下的振动信号；将采集的振动信号进行数据切分，划分为无标签数据及有标签数据；将无标签数据划分至自监督重建阶段的训练集，获得训练后自监督重建模型；针对一部分有标签数据划分至弱监督分类阶段训练集，获得弱监督分类模型；将待评估的旋转机械设备的振动信号输入至弱监督分类模型，识别故障类型。
-
公开(公告)号：CN116428129A
公开(公告)日：2023-07-14
申请号：CN202310691478.2
申请日：2023-06-13
Applicant: 山东大学
IPC: F03D17/00 , G06F18/213 , G06F18/241 , G06N3/045 , G06N3/044 , G06N3/047 , G06N3/0442 , G06N3/08 , G01H17/00
Abstract: 本发明提出基于注意力混合神经网络的风机叶片冲击定位方法及系统，涉及风机叶片的冲击检测领域。包括获取所有叶片上的振动信号；将振动信号输入至注意力混合神经网络中，提取振动信号每个时刻的特征，完成任务识别，预测受到冲击的叶片；将预测的受到冲击的叶片上的振动信号分别输入至注意力回归定位网络和自适应决策网络中，在注意力回归定位网络中，利用局部时序注意力机制提取每个时间块的特征；对每个时间块的特征的重要性进行决策，将需要的时间块的特征输入到注意力循环神经网络中，通过注意力循环神经网络得到振动信号的时空特征向量，进而得到定位距离。本发明能够准确识别施加在风机叶片上的动态冲击载荷的具体位置。
-
公开(公告)号：CN115439510B
公开(公告)日：2023-02-28
申请号：CN202211388347.9
申请日：2022-11-08
Applicant: 山东大学
IPC: G06T7/246 , G06T7/90 , G06N3/0464 , G06N3/092 , G06N3/094
Abstract: 本发明公开的一种基于专家策略指导的主动目标跟踪方法及系统，属于主动目标追踪技术领域，包括：获取场景观测图像、场景地图和智能体位姿；根据场景地图和智能体位姿，获得每个智能体的局部地图和每个局部地图中所有智能体运动轨迹，作为第一训练数据；将第一训练数据分别输入专家跟踪器和专家目标对象中，由专家目标对象和专家跟踪器进行对抗强化学习，通过专家跟踪器输出建议动作；将场景观测图像输入学生跟踪器中，将建议动作作为场景观测图像的标签对学生跟踪器进行训练，获得训练好的学生跟踪器；利用训练好的学生跟踪器对获取的场景实时图像进行识别，获得智能体决策动作。实现了对目标的准确追踪。
-
Patent Agency Ranking
公开(公告)号：CN117992862A
公开(公告)日：2024-05-07
申请号：CN202410404284.4
申请日：2024-04-07
Applicant: 山东大学
IPC: G06F18/241 , G06N3/0895 , G06N3/0464 , G01M13/00 , G06F123/02
Abstract: 本发明提出了基于大模型的两阶段旋转机械设备可靠性评估方法及系统，属于旋转机械设备可靠性评估技术领域，包括：针对旋转机械设备采集其在不同工况下的振动信号；将采集的振动信号进行数据切分，划分为无标签数据及有标签数据；将无标签数据划分至自监督重建阶段的训练集，获得训练后自监督重建模型；针对一部分有标签数据划分至弱监督分类阶段训练集，获得弱监督分类模型；将待评估的旋转机械设备的振动信号输入至弱监督分类模型，识别故障类型。
-
公开(公告)号：CN115859837B
公开(公告)日：2023-05-16
申请号：CN202310152245.5
申请日：2023-02-23
Applicant: 山东大学
IPC: G06F30/27 , G06F30/23 , G06N3/044 , G06N3/096 , G06N3/084 , G06F18/2415 , G06N3/047 , G06F113/06
Abstract: 本发明公开了一种基于数字孪生建模的风机叶片动态冲击检测方法及系统，涉及风力发电机健康监测技术领域。该方法通过获取在线测量的冲击载荷数据，利用微调后的深度神经网络模型，得到最终确定的冲击区域。其中，深度神经网络模型构建包括步骤：获取随机冲击载荷数据，建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对深度神经网络模型进行预训练；采用迁移学习的方法对深度神经网络模型进行自适应微调。本发明为风机叶片动态冲击检测中小样本数据学习、复杂结构响应分析以及在线部署问题提供了一种新的范式。
-
公开(公告)号：CN116428129B
公开(公告)日：2023-09-01
申请号：CN202310691478.2
申请日：2023-06-13
Applicant: 山东大学
IPC: F03D17/00 , G06F18/213 , G06F18/241 , G06N3/045 , G06N3/044 , G06N3/047 , G06N3/0442 , G06N3/08 , G01H17/00
Abstract: 本发明提出基于注意力混合神经网络的风机叶片冲击定位方法及系统，涉及风机叶片的冲击检测领域。包括获取所有叶片上的振动信号；将振动信号输入至注意力混合神经网络中，提取振动信号每个时刻的特征，完成任务识别，预测受到冲击的叶片；将预测的受到冲击的叶片上的振动信号分别输入至注意力回归定位网络和自适应决策网络中，在注意力回归定位网络中，利用局部时序注意力机制提取每个时间块的特征；对每个时间块的特征的重要性进行决策，将需要的时间块的特征输入到注意力循环神经网络中，通过注意力循环神经网络得到振动信号的时空特征向量，进而得到定位距离。本发明能够准确识别施加在风机叶片上的动态冲击载荷的具体位置。
-
公开(公告)号：CN115859837A
公开(公告)日：2023-03-28
申请号：CN202310152245.5
申请日：2023-02-23
Applicant: 山东大学
IPC: G06F30/27 , G06F30/23 , G06N3/044 , G06N3/096 , G06N3/084 , G06F18/2415 , G06N3/047 , G06F113/06
Abstract: 本发明公开了一种基于数字孪生建模的风机叶片动态冲击检测方法及系统，涉及风力发电机健康监测技术领域。该方法通过获取在线测量的冲击载荷数据，利用微调后的深度神经网络模型，得到最终确定的冲击区域。其中，深度神经网络模型构建包括步骤：获取随机冲击载荷数据，建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对深度神经网络模型进行预训练；采用迁移学习的方法对深度神经网络模型进行自适应微调。本发明为风机叶片动态冲击检测中小样本数据学习、复杂结构响应分析以及在线部署问题提供了一种新的范式。
-
公开(公告)号：CN115439510A
公开(公告)日：2022-12-06
申请号：CN202211388347.9
申请日：2022-11-08
Applicant: 山东大学
Abstract: 本发明公开的一种基于专家策略指导的主动目标跟踪方法及系统，属于主动目标追踪技术领域，包括：获取场景观测图像、场景地图和智能体位姿；根据场景地图和智能体位姿，获得每个智能体的局部地图和每个局部地图中所有智能体运动轨迹，作为第一训练数据；将第一训练数据分别输入专家跟踪器和专家目标对象中，由专家目标对象和专家跟踪器进行对抗强化学习，通过专家跟踪器输出建议动作；将场景观测图像输入学生跟踪器中，将建议动作作为场景观测图像的标签对学生跟踪器进行训练，获得训练好的学生跟踪器；利用训练好的学生跟踪器对获取的场景实时图像进行识别，获得智能体决策动作。实现了对目标的准确追踪。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
