-
公开(公告)号：CN104537449A
公开(公告)日：2015-04-22
申请号：CN201510036502.4
申请日：2015-01-23
Applicant: 辽宁大学
IPC: G06Q10/04
CPC classification number: G06Q10/04
Abstract: 一种基于D_S证据理论信息重构的热连轧板厚预测方法,主要通过三个步骤来实现板厚的预测。首先，采用数据分析软件分析热连轧的运行周期，并找到针对板厚的三个敏感参数，分别将每个参数应用最小二乘多项式曲线拟合方法获得各个敏感参数下的三个初步板厚预测结果。然后，应用D_S证据理论重构不同参数下的预测结果，获得板厚的分布情况。在D_S证据理论中基本概率分配(BPA)函数具有重要的作用，本发明基于灰色关联度提出贡献率函数，并将其作为BPA函数，从而实现了BPA函数的客观选取。最后，从训练得到的分布情况，获得板厚的未来趋势。
-
公开(公告)号：CN103528820B
公开(公告)日：2015-11-18
申请号：CN201310471299.4
申请日：2013-10-10
Applicant: 辽宁大学
IPC: G01M13/04
Abstract: 本发明涉及一种基于距离评估因子势能函数的滚动轴承故障诊断方法，其步骤如下：（1）信号采样；（2）信号处理；（3）特征提取：提取处理后信号的11个时域特征参数和13个频域特征参数，用于生成诊断特征：正常特征、内圈特征、外圈特征、滚动体特征；（4）特征选择：提出距离评估因子作为特征参数评价准则，计算24个特征参数的距离评估因子值，并按照从大到小排序，选择前N个特征参数组成故障诊断的特征向量；（5）将上述特征向量输入势能函数算法进行故障诊断；本发明基于距离比思想，提出了距离评估因子评价准则，实现了故障特征参数的客观选择。此外，以二叉树结构方式应用势能函数分类算法，解决了势能函数在故障诊断中的多分类问题。
-
公开(公告)号：CN103064009B
公开(公告)日：2015-03-11
申请号：CN201210584648.9
申请日：2012-12-28
Applicant: 辽宁大学
IPC: G01R31/316
Abstract: 本发明涉及一种模拟电路故障诊断方法，该方法基于小波分析和有限高斯混合模型EM方法（最大期望值方法）对模拟电路故障诊断，该方法针对电路系统带“病”运行情况，引入“亚健康”概念对其进行描述，并将容差模拟电路亚健康状态定义为电路元件亚健康和电路系统亚健康两类。利用波动性函数实现了小波基的客观选取，对采样数据进行小波分析，结合基于有限高斯混合模型EM方法对模拟电路进行诊断。本发明借助高斯混合模型作诊断建模可以较好描述每种故障特征分布情况，较好的解决了故障模型投影重叠问题，采用EM算法进行故障分类，为模拟电路的软故障诊断提供了新思路。
-
公开(公告)号：CN103064009A
公开(公告)日：2013-04-24
申请号：CN201210584648.9
申请日：2012-12-28
Applicant: 辽宁大学
IPC: G01R31/316
Abstract: 本发明涉及一种模拟电路故障诊断方法，该方法基于小波分析和有限高斯混合模型EM方法（最大期望值方法）对模拟电路故障诊断，该方法针对电路系统带“病”运行情况，引入“亚健康”概念对其进行描述，并将容差模拟电路亚健康状态定义为电路元件亚健康和电路系统亚健康两类。利用波动性函数实现了小波基的客观选取，对采样数据进行小波分析，结合基于有限高斯混合模型EM方法对模拟电路进行诊断。本发明借助高斯混合模型作诊断建模可以较好描述每种故障特征分布情况，较好的解决了故障模型投影重叠问题，采用EM算法进行故障分类，为模拟电路的软故障诊断提供了新思路。
-
公开(公告)号：CN100569786C
公开(公告)日：2009-12-16
申请号：CN200710011463.8
申请日：2007-05-28
Applicant: 辽宁大学
IPC: C07F9/40 , C07F9/6533
Abstract: 本发明涉及一种合成亚膦酸单烷基酯类化合物的方法。采用的技术方案是：一种合成亚膦酸单烷基酯类化合物的方法：将水杨醛与有机胺加入95%乙醇中加热回流3～4小时，然后加入亚磷酸二乙酯的乙醇溶液继续回流36-70小时，将产生的白色固体过滤，用乙醇洗涤；其中，水杨醛、有机胺与亚磷酸二乙酯的摩尔比是1∶1∶1；所述的亚膦酸单烷基酯类化合物的结构式如(I)。本发明方法简单、产率高。
-
Patent Agency Ranking
公开(公告)号：CN104537449B
公开(公告)日：2017-11-14
申请号：CN201510036502.4
申请日：2015-01-23
Applicant: 辽宁大学
IPC: G06Q10/04
Abstract: 一种基于D_S证据理论信息重构的热连轧板厚预测方法,主要通过三个步骤来实现板厚的预测。首先，采用数据分析软件分析热连轧的运行周期，并找到针对板厚的三个敏感参数，分别将每个参数应用最小二乘多项式曲线拟合方法获得各个敏感参数下的三个初步板厚预测结果。然后，应用D_S证据理论重构不同参数下的预测结果，获得板厚的分布情况。在D_S证据理论中基本概率分配(BPA)函数具有重要的作用，本发明基于灰色关联度提出贡献率函数，并将其作为BPA函数，从而实现了BPA函数的客观选取。最后，从训练得到的分布情况，获得板厚的未来趋势。
-
公开(公告)号：CN101054392A
公开(公告)日：2007-10-17
申请号：CN200710011463.8
申请日：2007-05-28
Applicant: 辽宁大学
IPC: C07F9/40 , C07F9/6533
Abstract: 本发明涉及一种合成亚膦酸单烷基酯类化合物的方法。采用的技术方案是：一种合成亚膦酸单烷基酯类化合物的方法：将水杨醛与有机胺加入95％乙醇中加热回流3～4小时，然后加入亚磷酸二乙酯的乙醇溶液继续回流36－70小时，将产生的白色固体过滤，用乙醇洗涤；其中，水杨酸、芳香胺与亚磷酸二乙酯的摩尔比是1∶1∶1；所述的亚膦酸单烷基酯类化合物的结构式如(I)。本发明方法简单、产率高。
-
公开(公告)号：CN104200268B
公开(公告)日：2017-02-15
申请号：CN201410447364.4
申请日：2014-09-03
Applicant: 辽宁大学
Abstract: 本发明涉及一种基于粒子群优化极限学习机的带钢出口厚度预测方法，基本步骤如下：1)利用数据处理软件对带钢数据信号进行分析，选出对带钢出口厚度影响较大的4个参数，即轧制力，辊缝，轧制速度，电机电流，在带钢出口厚度的预测中作为输入变量输入到极限学习机中；2)用粒子群算法对极限学习机中的参数输入权值和隐含层偏置值进行选择优化，运用广义逆的方法分析决定输出权值，得到极限学习机中具有最小范数值的输出权值矩阵，以此得到最优的极限学习机参数；3)对上述所得最优的极限学习机进行模型构造；4)将步骤1)中的4个参数输入优化的极限学习机中对带钢出口厚度进行预测。运用本方法能够针对轧制生产过程进行分析，对轧件出口厚度进行预测，进而分析有关影响带钢质量的工艺参数并对轧制生产流程做出及时调整控
-
公开(公告)号：CN104200268A
公开(公告)日：2014-12-10
申请号：CN201410447364.4
申请日：2014-09-03
Applicant: 辽宁大学
Abstract: 本发明涉及一种基于粒子群优化极限学习机的带钢出口厚度预测方法，基本步骤如下：1)利用数据处理软件对带钢数据信号进行分析，选出对带钢出口厚度影响较大的4个参数，即轧制力，辊缝，轧制速度，电机电流，在带钢出口厚度的预测中作为输入变量输入到极限学习机中；2)用粒子群算法对极限学习机中的参数输入权值和隐含层偏置值进行选择优化，运用广义逆的方法分析决定输出权值，得到极限学习机中具有最小范数值的输出权值矩阵，以此得到最优的极限学习机参数；3)对上述所得最优的极限学习机进行模型构造；4)将步骤1)中的4个参数输入优化的极限学习机中对带钢出口厚度进行预测。运用本方法能够针对轧制生产过程进行分析，对轧件出口厚度进行预测，进而分析有关影响带钢质量的工艺参数并对轧制生产流程做出及时调整控制。
-
公开(公告)号：CN103544526A
公开(公告)日：2014-01-29
申请号：CN201310545273.X
申请日：2013-11-05
Applicant: 辽宁大学
IPC: G06N3/02
Abstract: 本发明涉及一种改进粒子群算法及其应用，改进粒子群算法步骤如下：(1)初始化算法；(2)随机初始化粒子的位置x和速度v；(3)初始化迭代次数t＝1；(4)计算当前种群中每个粒子的适应值如果那么如果那么(5)如果适应值小于设定的最小误差ε或者达到最大迭代次数Maxiter，算法终止，否则，转向步骤（6）；步骤(6)计算并更新粒子的速度和位置。(7)令迭代次数t＝t+1，转向(4)。本发明改进的粒子群算法，使得在迭代初期，种群具有较大的自我学习能力和较小的社会学习能力，保持了种群的多样性，而在迭代后期，具有较小的自我学习能力和较大的社会学习能力，加快了种群的收敛速度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
