-
公开(公告)号：CN117150243B
公开(公告)日：2024-01-30
申请号：CN202311405875.5
申请日：2023-10-27
Applicant: 湘江实验室
IPC: G06F18/20 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/096 , G06F18/213
Abstract: 本申请涉及一种基于故障影响解耦网络的故障隔离与估计方法，包括：获取真实正常样本，基于所述真实正常样本预先训练变分自编码器；基于并行前向传播原理构建解耦网络，基于解耦网络获取互不相关的输入‑输出变量；设计一迁移学习框架，随机生成故障数据集；基于所述真实正常样本以及所述故障数据集，并通过变分自编码器以及迁移损失辅助训练所述解耦网络学习一个故障移除映射关系；训练好的解耦网络所生成的特征作为故障检测指标，基于所述故障检测指标进行故障评估，并预测故障信号。该方法保障了模型的故障可隔离性。(56)对比文件Hanmin Lee等.Aircraft Actuator FaultDetection and Isolation using PiecewiseConstant Fault Estimation Scheme《.AIAASciTech》.2016,第1-9页.
-
公开(公告)号：CN117291230A
公开(公告)日：2023-12-26
申请号：CN202311572625.0
申请日：2023-11-23
Applicant: 湘江实验室
Abstract: 本申请涉及一种状态闭合的Hammerstein非线性系统混合辨识方法，该方法包括：采集Hammerstein非线性系统中的实际的数据，数据包括系统的输入数据和输出数据、采集时刻的状态数据；基于Hammerstein非线性系统，并通过卡尔曼滤波器理论构建状态观测器；通过合并同类型以及一映射关系对状态观测器进行变化，得到新型状态观测器；基于数据，对新型状态观测器进行迭代，并结合Hammerstein非线性系统，得到完备的状态观测器；构建神经网络，神经网络用于辅助训练完备的状态观测器，以最小化完备的状态观测器的闭合误差；将待预测的数据输入至训练后的完备的状态观测器，得到系统状态的预测值。
-
公开(公告)号：CN117875398B
公开(公告)日：2024-07-02
申请号：CN202410278737.3
申请日：2024-03-12
Applicant: 湘江实验室
Abstract: 本申请涉及一种可学习极点配置的一类非线性系统灰箱辨识方法，该方法包括：构建出系统的状态空间方程；基于系统的状态空间方程构建状态观测器；对状态观测器进行迭代，得到状态观测策略并学习到状态可重构性映射；采用全连接神经网络，并基于状态可重构性映射构建状态重构网络；对状态重构网络进行极点配置以及训练，得到完备的状态重构网络；基于一类非线性系统的输入、输出数据，并通过完备的状态重构网络对系统的状态空间方程进行系统状态估计及参数辨识。该方法具有较好的可解释性，且在状态可重构网络训练过程中在达到最小化损失的同时可实现极点的自适应配置，能够有效地对一类非线性系统进行状态估计及参数辨识。
-
-
公开(公告)号：CN118963702B
公开(公告)日：2025-01-03
申请号：CN202411437688.X
申请日：2024-10-15
Applicant: 湘江实验室
Abstract: 本申请涉及一种基于注意力机制的局部线性展开系统辨识方法，该方法包括：对离散的一般形式的非线性系统进行数学描述，并以多种电路参数作为非线性系统的输入输出数据；基于非线性系统，并通过卡尔曼滤波器理论构建状态观测器；对非线性系统中的状态方程进行一阶泰勒级数展开，得到局部展开的非线性系统；基于局部展开的非线性系统和状态观测器，构建时间‑局部泰勒观测器；将时间‑局部泰勒观测器与深度注意力网络模块进行拟合处理，得到精确的时间‑局部泰勒观测器；将待预测的数据输入至精确的时间‑局部泰勒观测器，得到输出预测值，输出预测值为负载电压预测值。该方法实现了对具有一般形式或具体机理模型未知的非线性系统的观测与辨识。
-
Patent Agency Ranking
公开(公告)号：CN118963702A
公开(公告)日：2024-11-15
申请号：CN202411437688.X
申请日：2024-10-15
Applicant: 湘江实验室
Abstract: 本申请涉及一种基于注意力机制的局部线性展开系统辨识方法，该方法包括：对离散的一般形式的非线性系统进行数学描述，并以多种电路参数作为非线性系统的输入输出数据；基于非线性系统，并通过卡尔曼滤波器理论构建状态观测器；对非线性系统中的状态方程进行一阶泰勒级数展开，得到局部展开的非线性系统；基于局部展开的非线性系统和状态观测器，构建时间‑局部泰勒观测器；将时间‑局部泰勒观测器与深度注意力网络模块进行拟合处理，得到精确的时间‑局部泰勒观测器；将待预测的数据输入至精确的时间‑局部泰勒观测器，得到输出预测值，输出预测值为负载电压预测值。该方法实现了对具有一般形式或具体机理模型未知的非线性系统的观测与辨识。
-
公开(公告)号：CN117875398A
公开(公告)日：2024-04-12
申请号：CN202410278737.3
申请日：2024-03-12
Applicant: 湘江实验室
Abstract: 本申请涉及一种可学习极点配置的一类非线性系统灰箱辨识方法，该方法包括：构建出系统的状态空间方程；基于系统的状态空间方程构建状态观测器；对状态观测器进行迭代，得到状态观测策略并学习到状态可重构性映射；采用全连接神经网络，并基于状态可重构性映射构建状态重构网络；对状态重构网络进行极点配置以及训练，得到完备的状态重构网络；基于一类非线性系统的输入、输出数据，并通过完备的状态重构网络对系统的状态空间方程进行系统状态估计及参数辨识。该方法具有较好的可解释性，且在状态可重构网络训练过程中在达到最小化损失的同时可实现极点的自适应配置，能够有效地对一类非线性系统进行状态估计及参数辨识。
-
公开(公告)号：CN118965244A
公开(公告)日：2024-11-15
申请号：CN202411445123.6
申请日：2024-10-16
Applicant: 湘江实验室
IPC: G06F18/2433 , G06N3/045 , G06N3/084 , G06F18/214 , G06F18/2413
Abstract: 本申请涉及一种故障数据扩充的故障方向与幅值估计方法，该方法包括：收集三水箱系统的正常数据样本，基于正常数据样本生成虚拟故障数据样本；构建故障估计模型，将虚拟故障数据样本输入至故障估计模型；故障估计模型包括全连接网络模型和注意力网络模型；重复生成虚拟故障数据样本，并将其输入至故障估计模型进行迭代训练；将待测的故障数据输入至训练好的故障估计模型，输出故障诊断结果。该方法将故障方向和故障幅值作为预测标签，得到了一种多输入多输出的动态故障估计方法，弥补了难以采集到所有的故障情况的缺陷。
-
公开(公告)号：CN117150243A
公开(公告)日：2023-12-01
申请号：CN202311405875.5
申请日：2023-10-27
Applicant: 湘江实验室
IPC: G06F18/20 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/096 , G06F18/213
Abstract: 本申请涉及一种基于故障影响解耦网络的故障隔离与估计方法，包括：获取真实正常样本，基于所述真实正常样本预先训练变分自编码器；基于并行前向传播原理构建解耦网络，基于解耦网络获取互不相关的输入‑输出变量；设计一迁移学习框架，随机生成故障数据集；基于所述真实正常样本以及所述故障数据集，并通过变分自编码器以及迁移损失辅助训练所述解耦网络学习一个故障移除映射关系；训练好的解耦网络所生成的特征作为故障检测指标，基于所述故障检测指标进行故障评估，并预测故障信号。该方法保障了模型的故障可隔离性。
-
公开(公告)号：CN118965244B
公开(公告)日：2024-12-31
申请号：CN202411445123.6
申请日：2024-10-16
Applicant: 湘江实验室
IPC: G06F18/2433 , G06N3/045 , G06N3/084 , G06F18/214 , G06F18/2413
Abstract: 本申请涉及一种故障数据扩充的故障方向与幅值估计方法，该方法包括：收集三水箱系统的正常数据样本，基于正常数据样本生成虚拟故障数据样本；构建故障估计模型，将虚拟故障数据样本输入至故障估计模型；故障估计模型包括全连接网络模型和注意力网络模型；重复生成虚拟故障数据样本，并将其输入至故障估计模型进行迭代训练；将待测的故障数据输入至训练好的故障估计模型，输出故障诊断结果。该方法将故障方向和故障幅值作为预测标签，得到了一种多输入多输出的动态故障估计方法，弥补了难以采集到所有的故障情况的缺陷。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.016 seconds)
