-
公开(公告)号：CN109145373A
公开(公告)日：2019-01-04
申请号：CN201810785197.2
申请日：2018-07-17
Applicant: 清华大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于改进ESGP与预测区间的剩余寿命预测方法及装置，其中，方法包括：采集待测设备的运行数据，并根据运行数据提取待测设备的趋势特征；根据趋势特征通过基于岭回归的回声状态网络对待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；将初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对剩余使用寿命进一步预测，以获取带有预测区间且更准确的预测结果。该方法基于多传感器采集的系统运行数据对剩余使用寿命进行高质量预测，在考虑预测不确定性的情况下为后续维护提供更加可靠的信息，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。
-
公开(公告)号：CN113158814B
公开(公告)日：2022-06-03
申请号：CN202110328161.3
申请日：2021-03-26
Applicant: 清华大学
Abstract: 本发明提出一种基于卷积自编码器的轴承健康状态监测方法，属于轴承故障预测与健康管理领域。该方法首先获取一个全新轴承的全生命周期数字振动信号及健康状态标注值；分别提取该数字振动信号的本征模态分量统计量特征和利用卷积自编码器学习的深度特征，将两种特征进行拼接并筛选，将筛选出的特征输入全连接回归网络当中进行回归训练，最终得到该轴承全生命周期的健康状态曲线图；之后，获取同型号待监测轴承目前的健康状态曲线图；对比两张曲线图，得到该待监测轴承的健康状态监测结果。本发明通过卷积自编码器提升轴承振动信号特征的完整性，运用特征排序和特征选择的方法去除冗余特征，能够得到较为准确的轴承健康状态。
-
公开(公告)号：CN108694502B
公开(公告)日：2022-04-12
申请号：CN201810440569.8
申请日：2018-05-10
Applicant: 清华大学
Abstract: 一种基于XGBoost算法的机器人制造单元自适应调度方法，属于制造业生产线自动化调度领域，具体涉及采用XGBoost算法对具有复杂约束的机器人制造单元进行实时在线调度的方法。包括以下步骤：建立样本数据库，数据库中存储的样本是生产数据以及对应生产数据的最优启发式方法；以样本数据库为基础，应用FIPS‑XGBoost算法启发式调度方法分类模型；通过监测机器人制造单元内的生产状态信息，获取实际的生产数据，将实际的生产数据输入给启发式调度方法分类模型，得到最优启发式方法。本发明可以快速高效地求解最优特征子集，算法性能普遍好于组合调度规则，验证了该算法自适应调度的有效性。使用本发明提供的分类模型，根据实际生产数据得出最优启发式方法，可以减少机器人空载移动次数、加快调度效率，带来单元内吞吐量的提升。
-
公开(公告)号：CN115144211A
公开(公告)日：2022-10-04
申请号：CN202210638838.8
申请日：2022-06-07
Applicant: 清华大学
Abstract: 本申请公开了一种基于离散小波变换和门控循环单元的故障检测方法及装置，其中，方法包括：获取待检测目标的高频状态监测信号；将高频状态监测信号输入预先训练的故障检测模型，离散小波变换作为深度学习网络的嵌入层，将高频状态监测信号映射到低维小波域，得到高频故障分量，并对高频故障分量进行特征压缩，得到故障特征分量；再将其作为浅层特征训练一个带注意力机制的门控循环单元网络，最后经过全连接层得到待检测目标的故障结果，从而不仅提升了故障检测的准确率，还使得模型的故障检测结果具备一定的可解释性。由此，解决了相关技术中高频信号特征设计主观性较大以及泛化性较差等问题。
-
公开(公告)号：CN112581719A
公开(公告)日：2021-03-30
申请号：CN202011226178.X
申请日：2020-11-05
Applicant: 清华大学 , 北京新芯智能科技有限责任公司
Abstract: 本申请提出一种基于时序生成对抗网络的半导体封装过程预警方法和装置，涉及数据处理技术领域，其中，方法包括：获取监测数据，并对监测数据进行预处理，获取训练数据；从训练数据中获取正常样本集合，计算正常样本集合的密度函数，根据密度函数估计异常阈值；获取已训练的生成器网络，利用已训练好的生成器网络生成预定数量的异常样本；将预定数量的异常样和训练数据混合后输入神经网络训练，以使在半导体封装过程中，将关键工艺参数输入已训练的神经网络获取异常预测值，以及根据异常预测值和异常阈值进行预警处理。由此，通过生成异常样本混合到训练数据进行训练，并确定异常阈值实现提前对生产异常进行预警，提高产品良率与生产线效率。
-
Patent Agency Ranking
公开(公告)号：CN108694502A
公开(公告)日：2018-10-23
申请号：CN201810440569.8
申请日：2018-05-10
Applicant: 清华大学
CPC classification number: Y02P90/30 , G06Q10/06312 , G06Q50/04
Abstract: 一种基于XGBoost算法的机器人制造单元自适应调度方法，属于制造业生产线自动化调度领域，具体涉及采用XGBoost算法对具有复杂约束的机器人制造单元进行实时在线调度的方法。包括以下步骤：建立样本数据库，数据库中存储的样本是生产数据以及对应生产数据的最优启发式方法；以样本数据库为基础，应用FIPS‑XGBoost算法启发式调度方法分类模型；通过监测机器人制造单元内的生产状态信息，获取实际的生产数据，将实际的生产数据输入给启发式调度方法分类模型，得到最优启发式方法。本发明可以快速高效地求解最优特征子集，算法性能普遍好于组合调度规则，验证了该算法自适应调度的有效性。使用本发明提供的分类模型，根据实际生产数据得出最优启发式方法，可以减少机器人空载移动次数、加快调度效率，带来单元内吞吐量的提升。
-
公开(公告)号：CN116340786A
公开(公告)日：2023-06-27
申请号：CN202310147918.8
申请日：2023-02-21
Applicant: 清华大学
IPC: G06F18/22 , G06F18/214
Abstract: 本发明提供了一种跨工况故障诊断方法、装置、设备及存储介质。涉及机械设备技术领域，用于解决在源域数据无法获取时，跨工况故障诊断方法的诊断准确率低的技术问题。跨工况故障诊断方法包括获取源域故障诊断模型Ms和目标域无标签数据Dt；将所述源域故障诊断模型Ms设定为初始目标域故障诊断模型Mt0；通过所述目标域无标签数据Dt和所述初始目标域故障诊断模型Mt0确定亲和力A加权的损失函数其中亲和力A表示目标域中相邻特征之间的相似度；通过所述损失函数优化所述初始目标域故障诊断模型Mt0，直至所述损失函数收敛，得到最终目标域故障诊断模型Mt1。
-
公开(公告)号：CN113158814A
公开(公告)日：2021-07-23
申请号：CN202110328161.3
申请日：2021-03-26
Applicant: 清华大学
Abstract: 本发明提出一种基于卷积自编码器的轴承健康状态监测方法，属于轴承故障预测与健康管理领域。该方法首先获取一个全新轴承的全生命周期数字振动信号及健康状态标注值；分别提取该数字振动信号的本征模态分量统计量特征和利用卷积自编码器学习的深度特征，将两种特征进行拼接并筛选，将筛选出的特征输入全连接回归网络当中进行回归训练，最终得到该轴承全生命周期的健康状态曲线图；之后，获取同型号待监测轴承目前的健康状态曲线图；对比两张曲线图，得到该待监测轴承的健康状态监测结果。本发明通过卷积自编码器提升轴承振动信号特征的完整性，运用特征排序和特征选择的方法去除冗余特征，能够得到较为准确的轴承健康状态。
-
公开(公告)号：CN109145373B
公开(公告)日：2020-10-30
申请号：CN201810785197.2
申请日：2018-07-17
Applicant: 清华大学
IPC: G06F30/20 , G06F111/10
Abstract: 本发明公开了一种基于改进ESGP与预测区间的剩余寿命预测方法及装置，其中，方法包括：采集待测设备的运行数据，并根据运行数据提取待测设备的趋势特征；根据趋势特征通过基于岭回归的回声状态网络对待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；将初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对剩余使用寿命进一步预测，以获取带有预测区间且更准确的预测结果。该方法基于多传感器采集的系统运行数据对剩余使用寿命进行高质量预测，在考虑预测不确定性的情况下为后续维护提供更加可靠的信息，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。
-
公开(公告)号：CN108961460B
公开(公告)日：2020-05-08
申请号：CN201810789980.6
申请日：2018-07-18
Applicant: 清华大学
IPC: G07C3/00 , G06F30/20 , G06Q10/00 , G06Q50/04 , G06F111/06
Abstract: 本发明公开了一种基于稀疏ESGP与多目标优化的故障预测方法及装置，其中，方法包括：采集待测设备的运行数据，并根据运行数据提取待测设备的趋势特征；引入稀疏高斯过程以改进回声状态高斯过程的高斯过程，进而引入多目标遗传算法对回声状态高斯过程的模型进行参数优化，同时将剩余使用寿命的点预测与区间预测效果作为多目标优化的目标；该方法通过多目标优化对复杂的模型参数进行自动寻优，更高效地选择出较优的ESGP预测模型，再根据趋势特征通过优化后的模型对待测设备的剩余使用寿命进行最终预测，以获取较优的预测结果，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.015 seconds)
