-
公开(公告)号:CN119377116A
公开(公告)日:2025-01-28
申请号:CN202411511843.8
申请日:2024-10-28
Applicant: 重庆邮电大学
IPC: G06F11/3668 , G06F11/34 , G06F11/30
Abstract: 本发明提供了一种考虑场景和功能重要度的自动驾驶软件测试评价方法。该方法包括以下步骤:对自动驾驶场景进行分类和使用频次统计,以确定场景重要度等级;基于专家知识分析自动驾驶软件的典型故障模式;通过故障树分析典型故障模式下的底层功能及其功能模块;根据故障模式的频率和重要度,赋予功能和模块以重要度权重;综合考虑场景、功能和模块的影响,分配软件测试的时长和测试案例数量;构造深度神经网络模型,基于测试结果进行模型训练并用于测试评价。本发明通过综合场景和功能的重要度进行测试资源的优化配置,提高了自动驾驶软件测试的针对性和有效性。
-
公开(公告)号:CN116361710B
公开(公告)日:2025-04-11
申请号:CN202310343609.8
申请日:2023-04-03
Applicant: 重庆邮电大学
IPC: G06F18/241 , G06F18/214 , G06N3/044 , G06N3/0455 , G06N3/0464 , G06N3/0895
Abstract: 本发明涉及一种基于双流注意力机制和循环自编码器的半监督故障诊断方法,属于工业过程领域,将故障数据预处理后,利用插入了双流注意力机制的循环自编码器无监督提取无标签、有标签样本特征,并在充分训练后的循环自编码器的编码器后,接入了一层全连接分类层构成分类器,使用有标签样本对该分类器进行微调,最终得到期望分类器,避免了在标注数据不足的情况下训练故障分类器时的过拟合问题。双流注意力机制能够提高模型的特征提取能力,循环自编码器能够提高半监督故障诊断方法的分类精度,且拥有更强的泛化性,训练的模型在跨工况上准确率也更高。
-
公开(公告)号:CN118035783A
公开(公告)日:2024-05-14
申请号:CN202410087584.4
申请日:2024-01-22
Applicant: 重庆邮电大学
IPC: G06F18/24 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/08 , G01M13/00 , G01M13/021 , G01M13/028 , G01M13/045
Abstract: 本发明提供了一种基于域解耦与类混淆最小化特征对齐的跨设备域适应方法,主要包括如下步骤:采集来自不同设备的振动信号数据构建有标签源域、无标签目标域数据集,划分训练集与测试集;基于卷积通道分离的特征提取器与重构输入数据的解码器构造域解耦模块,在此基础上构造分类器与域判别器;通过样本重构损失、条件对抗域适应损失、分类损失与类混淆最小化损失约束模型学习行为,模型将特征解耦为域特有特征与域不变特征以增强域不变特征提取效果,将域不变特征对齐同时实现目标域类间混淆度最小化;在训练集上完成模型训练,最终建立高精度故障诊断模型实现目标设备故障诊断。本发明通过解耦模块增强了域不变特征的表征性能,结合条件域适应损失与类混淆最小化损失提高特征对齐效果并优化分类器在目标域上分类行为,能够有效应对目标设备数据集完全缺失标签问题。
-
公开(公告)号:CN117972307A
公开(公告)日:2024-05-03
申请号:CN202410101281.3
申请日:2024-01-23
Applicant: 重庆邮电大学
IPC: G06F18/10 , G06F18/24 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明提供了基于多模态注意力自适应网络的轴承跨域故障诊断方法,包括如下步骤:S1.构造源域和目标域的轴承单传感时域样本;S2.通过信号处理方法获取带有专家知识的多模态信息并构造多模态数据集;S3.构造包含模态特征提取分支模块、特征融合模块、注意力分类器和注意力域判别器的多模态注意力自适应网络;S4.分支模块各支路提取源域目标域不同模态特征并进行对齐,融合模块进一步提取拼接后的分支多模态特征,计算融合特征的注意力权重并将其同时送入分类器和域判别器进行分类和域对齐,从而实现跨域诊断。本发明充分利用了单传感时域信号的多种模态,提升故障表征能力,并通过注意力权重降低域特征对齐难度,有效提高了跨域故障诊断的准确率。
-
公开(公告)号:CN116415191A
公开(公告)日:2023-07-11
申请号:CN202310394896.5
申请日:2023-04-13
Applicant: 重庆邮电大学
IPC: G06F18/2415 , G06F18/2131 , G06F18/214 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/088 , G06N3/096
Abstract: 本发明涉及一种基于SSAE的数控铣削多工况表面粗糙度在线预测方法,属于机械加工技术领域,包括以下步骤:S1:采集并处理铣削力信号;S2:构建基于“在线信号特征+离线工艺参数”的联合特征数据集;S3:建立并训练基于堆叠稀疏自编码网络SSAE的表面粗糙度在线预测模型;S4:设计基于模型迁移与微调策略的迁移学习框架;S5:在刀具与工件材料变换的多工况场景下,模拟目标工况中样本数量有限的场景;S6:实现刀具与工件材料变换下的多工况表面粗糙度在线预测。
-
公开(公告)号:CN107505842A
公开(公告)日:2017-12-22
申请号:CN201710786886.0
申请日:2017-09-04
Applicant: 重庆邮电大学
IPC: G05B13/04
Abstract: 本发明涉及一种数控机床广义空间切削稳定性预测与优化方法,属于数控机床领域。本发明通过构造已知样本信息,基于Kriging方法建立切削稳定性表征指标最小极限切削深度与机床空间位置坐标的近似函数关系来预测切削稳定性的空间演化规律,并采用改进粒子群算法确定具有最小极限切削深度最大值的加工位置,采用切削实验确定机床易颤振模态,进而基于能量分布理论确定机床薄弱结合部,通过提出结合部动刚度优化配置方案提高最小极限切削深度值,预测切削稳定性空间分异特性并扩大稳定区域选择范围。本发明弥补了传统空间切削稳定性分析忽略变量在加工空间的相关性特征的不足,在此基础上形成最优加工位置方案,以获取加工空间最优切削参数方案。
-
公开(公告)号:CN117734523A
公开(公告)日:2024-03-22
申请号:CN202311733566.0
申请日:2023-12-15
Applicant: 重庆邮电大学
IPC: B60L58/16 , B60L58/10 , B60L53/62 , G01R31/367 , G01R31/392 , G01R31/389 , G01R31/396
Abstract: 本发明涉及电动汽车电池寿命预测领域,特别涉及一种充电叠加激励信号模式的在线电动车电池寿命检测方法,包括充电桩接收并响应电动汽车充电电流需求,在对电动汽车充电过程中施加激励电信号;充电桩采集电路在线采集激励后的充电电压,通过实测的输入电流和对应的输出电压,构建待预测电池等效电路模型;根据辨识模型中的复阻抗的模的大小,估算出当前电动汽车电池系统健康状态;现有技术进行电池系统寿命检测时,需要对车辆电池包进行拆卸后再通过专门的仪器测量内阻值,然后再进行电池系统寿命检测,本发明与现有技术相比,降低了工作量,节约了检测的时间成本和经济成本。
-
公开(公告)号:CN116080475A
公开(公告)日:2023-05-09
申请号:CN202310089004.0
申请日:2023-02-03
Applicant: 重庆邮电大学
IPC: B60L58/12 , B60L58/10 , B60L58/24 , B60L53/00 , G06F17/18 , G06F18/2431 , G06N3/045 , G06N3/0442 , G06N3/08
Abstract: 本发明属于电动汽车电池热管理技术领域,具体涉及一种电动汽车的电池充电优化管理方法,包括:获取车辆数据信息和环境信息;将车辆数据信息输入到预测模型中,得到未来一段里程的能耗值、未来平均速度;将环境信息输入到预测模型中,得到未来道路拥堵等级和未来一段里程对应的环境温度;将车辆数据信息、环境信息、未来一段里程的能耗值、未来平均速度、未来道路拥堵等级和未来一端里程对应的环境温度输入到决策模型中,得到电动汽车电池充电策略;根据电动汽车电池充电策略对电动汽车电池进行充电;本发明实现充电过程引导,优化电池充电状态,优化乘员舱温度。
-
公开(公告)号:CN118809583A
公开(公告)日:2024-10-22
申请号:CN202410791993.2
申请日:2024-06-19
Applicant: 重庆邮电大学
IPC: B25J9/16 , G01C21/20 , G06N3/045 , G06N3/0455 , G06N3/0499 , G06N3/084 , G06N3/088
Abstract: 本发明涉及机器人运动规划技术领域,具体涉及一种机器人运动规划优化方法,该方法包括获取地图点云数据,对点云数据进行预处理;对预处理后的点云数据进行编码;根据机器人运动模型和编码后的点云数据构建并训练运动规划网络;对运动规划网络进行前向传播,生成知情样本,将知情样本基于采样的RRT规划器中,得到优化后的机器人运动路径;本发明中的方法,机器人将能够更快速地找到安全、高效的路径来完成配送任务,进而加速配送场景下的机器人运动规划过程。
-
公开(公告)号:CN118551495A
公开(公告)日:2024-08-27
申请号:CN202410601114.5
申请日:2024-05-15
Applicant: 重庆邮电大学
IPC: G06F30/17 , G06F30/27 , G06F18/27 , G06N3/0455 , G06N3/0895 , G06N3/084 , B23Q17/00
Abstract: 刀尖点频响函数是解析切削稳定性的重要输入,构建多因素作用下的刀尖点频响函数预测模型需充足的样本,将直接引入大量重复的仿真或实验致使成本增加。针对此问题,本发明提出小样本下变加工位置和刀具悬伸量的刀尖动态特性预测方法,该方法采用自编码器和多层感知机搭建半监督学习框架,改进自编码器的损失函数反馈机制,深度提取刀具悬伸量和加工位置特征,设置较小的标签样本比例,仅在其对应位置获取模态参数构成小样本,训练AE‑MLP模型以预测全部位置的刀尖动态特性。以立式加工中心的2把铣刀开展实例验证,当标签样本比例为0.4时,所提方法在刀具T1、T2各类模态参数平均误差中的最大值分别为7.96%、7.77%,优于直接采用小样本建模的其它对比模型。
-
-
-
-
-
-
-
-
-