公开(公告)号：CN119449737A

公开(公告)日：2025-02-14

申请号：CN202411590375.8

申请日：2024-11-08

Applicant: 重庆邮电大学

Inventor： 王浩 ,  韦中华 ,  魏旻 ,  黄庆卿 ,  韩延

IPC: H04L47/6275 ,  H04L47/22 ,  H04J3/06

Abstract: 本发明涉及一种智能变电站时间敏感网络流量调度方法，属于时间敏感网络流量调度技术领域，包括以下步骤：S1：将智能变电站二次装置设备与TSN网络进行时间同步；S2：将变电站自动化系统中的业务数据流分为3类，分别设置每一类的相对截止时间；S3：使用流过滤和管理PSFP配置，使得截止时间临近的数据帧插入更高的优先级队列；S4：构建发送节点的传输机制；S5：构建交换机的传输机制；S6：对流门数量N和流门计算IPV的时间间隔u进行设置。

公开(公告)号：CN119449691A

公开(公告)日：2025-02-14

申请号：CN202411607953.4

申请日：2024-11-12

Applicant: 重庆邮电大学

Inventor： 王浩 ,  彭继东 ,  魏旻 ,  黄庆卿

IPC: H04L45/12 ,  H04L45/247 ,  H04L45/00

Abstract: 本发明涉及一种增强时间敏感网络数据传输可靠性的方法，属于工业控制技术领域。该方法包括：在TSN网络中搜索所有备选路径，并基于路径可靠性计算工作路径Pw；根据节点可靠性，选择性地部署帧复制与帧消除节点FN；提取备选冗余路径集合，并在备选冗余路径集合中根据冗余度确定冗余路径组合Pr；输出帧复制节点与消除节点的组合FN，以及最优主冗路径组合P。本发明首先利用分段保护的思想，选择性地部署具有帧复制与消除功能的节点，在满足可靠性要求的同时倾斜保护资源到其余路径，实现资源的高效利用；其次通过考虑链路和节点属性对数据交付可靠性的影响，在满足数据冗余度的要求下提取出优化冗余路径，以提升数据传输的可靠性。

公开(公告)号：CN116094972B

公开(公告)日：2024-05-07

申请号：CN202310076279.0

申请日：2023-01-18

Applicant: 重庆邮电大学

Inventor： 谢昊飞 ,  何莉 ,  黄庆卿 ,  李昭 ,  李锐

IPC: H04L43/18 ,  H04L43/50 ,  H04L69/163 ,  H04L12/40 ,  G06N3/044

Abstract: 本发明涉及一种基于QRNN神经网络的Modbus TCP协议模糊测试方法，属于工业信息化领域，包括以下步骤：S1：对Modbus TCP协议进行模糊测试，监测响应状态，将触发异常的测试用例保存为有效测试用例集；S2：对Modbus TCP协议报文进行字段划分，随机变异，再次模糊测试，构建自定义变异字段决策表；S3：基于QRNN神经网络，将自定义变异字段决策表预处理之后作为输入，构建适用于预测有效变异字段的预测模型；S4：构建变异因子概率选择模型，概率选择变异因子，对测试用例进行变异，执行模糊测试，根据变异之后漏洞触发情况动态反馈调整不同变异因子的概率，构造更具针对性的测试用例。

公开(公告)号：CN117272808A

公开(公告)日：2023-12-22

申请号：CN202311236135.3

申请日：2023-09-22

Applicant: 重庆邮电大学

Inventor： 韩延 ,  童仕延 ,  黄庆卿 ,  田浩 ,  张焱 ,  李鑫 ,  吴紫玉

IPC: G06F30/27 ,  G06F30/17 ,  G06F119/04

Abstract: 本发明属于机械资源预测技术领域，涉及基于不确定性加权领域泛化的滚动轴承剩余寿命预测方法，包括：获取滚动轴承振动数据，将振动数据划分为源域和不可访问的未知目标域数据集；通过建立知识蒸馏框架以捕获不受其他领域影响内部不变特征；应用相关性对齐来获取跨域互不相同的特征，同时采用正则化来增加内部不变特征和互不相同特征之间的差异；根据同源不确定性对多域泛化任务损失进行加权，确保不同任务输出之间的一致性；根据振动信号输出滚动轴承剩余使用寿命结果；本发明通过减少特征的变异性、增强特征的表征能力以及保持任务输出的一致性，有效地提高了滚动轴承剩余使用寿命预测的准确率。

公开(公告)号：CN116680643A

公开(公告)日：2023-09-01

申请号：CN202310676113.2

申请日：2023-06-08

Applicant: 重庆邮电大学

Inventor： 张焱 ,  刘卓林 ,  韩延 ,  黄庆卿

IPC: G06F18/2433 ,  G06F18/2321 ,  G06F18/213 ,  G06N3/048 ,  G06N3/0455 ,  G06N3/0895

Abstract: 本发明属于机械异常检测领域，涉及一种深度对比学习与密度聚类结合的异常检测方法；该方法包括利用对比学习提取原始数据所包含的高维特征信息；利用t‑SNE将高维特征信息转化至低维特征空间；根据最小突变距离方法确定DBSCAN聚类半径；利用DBSCAN对低维特征空间中异于正常样本的数据进行识别，实现故障检测。本发明有效避免了传统故障检测方法过度依赖人工经验、过程繁琐等问题，对比学习和t‑SNE将原始数据映射至低维特征空间，两者相结合可以使高维数据在低维空间中依然可以保留高维空间所包含的特征信息，最小突变距离的参数设置方法可以实现根据数据特征自动设置参数，DBSCAN可以实现对空间中的异常样本自动检测。

公开(公告)号：CN116010818A

公开(公告)日：2023-04-25

申请号：CN202310065639.7

申请日：2023-01-13

Applicant: 重庆邮电大学工业互联网研究院

Inventor： 黄庆卿 ,  李超 ,  韩延 ,  张焱 ,  王平 ,  魏旻 ,  王浩

IPC: G06F18/214 ,  G06F18/241 ,  G06N3/084 ,  G06F18/213

Abstract: 本发明属于齿轮箱故障诊断技术领域，具体涉及一种基于边界增强原型网络的齿轮箱故障诊断方法；该方法包括：获取齿轮箱历史故障数据并划分为训练集和测试集；对训练集进行故障特征提取；采用具有时序学习能力的时序注意力模块处理故障特征，得到关键时序特征；根据关键时序特征计算类原型；根据类原型和关键时序特征的分布信息计算近邻边界度量损失；判断齿轮箱故障类别并计算分类损失；根据度量损失和分类损失计算总损失并优化网络参数，得到训练好的边界增强原型网络；将测试集中输入训练好的边界增强原型网络中，得到齿轮箱故障诊断结果；本发明可提取故障状态更敏感的关键时序特征，修正度量空间中的特征分布，提高齿轮箱的故障诊断精度。

公开(公告)号：CN114739659A

公开(公告)日：2022-07-12

申请号：CN202210456304.3

申请日：2022-04-28

Applicant: 重庆邮电大学

Inventor： 韩延 ,  牛少博 ,  黄庆卿 ,  王子龙 ,  张焱 ,  胡欣堪

IPC: G01M13/02 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及齿轮箱状态监测技术，具体为基于特征粒度对齐的变工况下齿轮箱故障诊断方法及装置。所述方法包括采集不同工况下的轴承振动数据并预处理；利用特征提取器分别提取源域数据和目标域数据特征，并计算得到两种领域之间的CMMD和FMMD，以及CFMMD；利用分类器生成源域数据的预测标签；计算出其原始标签与预测标签之间的预测损失，根据CFMMD计算出距离损失；以最小化损失和为目标函数，训练深度卷积神经网络模型；利用训练后的特征提取器提取出目标域数据特征，利用训练后的分类器对目标域数据特征进行处理，预测得到目标域数据的故障类型。本发明提高了旋转机械变工况的故障诊断效率和准确率。

公开(公告)号：CN111503527B

公开(公告)日：2021-09-24

申请号：CN202010323569.7

申请日：2020-04-22

Applicant: 重庆邮电大学

Inventor： 李帅永 ,  毛维培 ,  夏传强 ,  程振华 ,  姜定杰 ,  黄庆卿

IPC: F17D5/06 ,  G06F17/13 ,  G06F17/14 ,  G01M3/24

Abstract: 本发明涉及一种基于自适应多元变分模态分解的流体管道泄漏定位方法，属于管道泄漏检测领域。该方法包括：S1：采用AMVMD算法，根据两路泄漏信号的频率曲线相加后提取频率曲线的驼峰数，自适应确定多元变分模态的模态分解个数；S2：根据两路泄漏信号的模态分量的信号清晰度，利用最大微分法自适应提取模态分量；根据测量管道的长度和泄漏传播信号的速度确定泄漏信号的延时范围，选择提取两路泄漏信号模态分量的时间延迟在延时范围的模态分量作为有效模态分量，重构有效泄漏信号；S3：确定时间延迟，结合泄漏信号传播速度和两传感器的距离确定泄漏点位置。本发明能提高信噪比，有效减少泄漏定位误差。

公开(公告)号：CN113297798A

公开(公告)日：2021-08-24

申请号：CN202110649204.8

申请日：2021-06-10

Applicant: 重庆邮电大学工业互联网研究院

Inventor： 产林平 ,  黄庆卿 ,  韩延 ,  袁雪 ,  王平

IPC: G06F30/27 ,  G06F119/14

Abstract: 本发明属于机器人控制技术领域，特别涉及一种基于人工神经网络的机器人外界接触力估计方法，包括对机器人动力学模型进行变型处理，将其分成线性模型部分和非线性模型部分；采用径向基函数神经网络对非线性部分进行近似逼近，构建基于径向基函数神经网络的自适应观测器来估计模型非线性部分和未知干扰；将估计出的模型非线性部分和未知干扰反馈到系统模型中，对相应部分进行补偿，获取线性化的机器人动力学模型；当外界施加力作用在机器人上时，根据线性化的机器人动力学模型，构建主观观测器对外界施加力进行估计；本发明有效地抑制各种干扰影响的同时，对系统模型非线性部分进行了在线估计并将其反馈补偿，实现对机器人模型的线性化和简单化。

公开(公告)号：CN111562109A

公开(公告)日：2020-08-21

申请号：CN202010423267.7

申请日：2020-05-19

Applicant: 重庆邮电大学

Inventor： 张焱 ,  韦航 ,  黄庆卿 ,  邓钦元 ,  冯乔琦

IPC: G01M13/045 ,  G06N20/00

Abstract: 本发明涉及一种机械设备深度学习状态识别与诊断方法，属于故障诊断领域。针对机械设备状态监测与诊断这一问题，首先，对监控的振动信号数据进行时频变换得到信号时频幅值谱。其次，对多个自编码器以及Softmax分类器进行堆栈构成深度自编码神经网络，在代价函数中加入网络参数非负约束限制项，利用训练样本数据对深度自编码网络进行训练和参数优化。利用深度非负自编码网络模型对实时监控数据进行状态识别与诊断分析，得到具体的分类识别结果。最后使用试验平台上测取的真实数据进行验证，验证结果说明该方法能有效的进行状态监测与诊断。