-
公开(公告)号：CN115933413A
公开(公告)日：2023-04-07
申请号：CN202310078206.5
申请日：2023-01-18
Applicant: 重庆邮电大学工业互联网研究院
IPC: G05B13/04
Abstract: 本发明属于自动化控制领域，具体涉及一种针对网络控制系统的基于预设性能的自适应反演滑模控制方法，包括：将带有不确定时延的非线性网络控制系统模型转换为不含有不确定时延的系统模型；定义系统跟踪误差指标和预设性能轨迹，将受约束的系统跟踪误差指标转化为新的无约束误差指标；定义包含中间虚拟控制信号的新系统状态误差，并对系统模型进行坐标转换；设计滑模函数和李雅普诺夫函数，并采用自适应神经网络函数对网络干扰进行估计，获得系统输入信号控制率；本发明利用网络干扰概念，在不需要限定延时或者延时导数上限的情况下，有效地解决网络控制系统的时延问题，并通过设计预设性能指标完成对系统的控制，保证了系统的动态和稳态性能。
-
公开(公告)号：CN118965259A
公开(公告)日：2024-11-15
申请号：CN202410995990.0
申请日：2024-07-24
Applicant: 重庆邮电大学工业互联网研究院
IPC: G06F18/25 , G06F18/24 , G06F18/10 , G06F18/2131 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及工业智能预测性维护领域，特别涉及一种基于可解释深度特征融合网络的工业智能预测性维护方法，包括：获取含有噪声的齿轮箱振动数据；通过建立具有物理信息约束的可解释特征提取模块对获取数据的特征进行初步的提取和噪声抑制；利用具有全局和局部特征融合能力的双分支特征融合模块整合包括长距离依赖和局部依赖的多尺度特征；利用分类器将高维特征进行降维输出得到最终故障识别结果；并对模型的诊断流程进行可解释性分析。本发明通过将具有确定物理理论支撑的信号处理技术嵌入到深度神经网络中，在提升模型故障识别准确率的同时，有效提高了模型推理结果的可解释性和可靠性。
-
公开(公告)号：CN118673470A
公开(公告)日：2024-09-20
申请号：CN202410689012.3
申请日：2024-05-30
Applicant: 重庆邮电大学工业互联网研究院
IPC: G06F18/27 , G06N3/094 , G06N3/084 , G06F18/213
Abstract: 本发明涉及一种滚动轴承剩余寿命预测方法和系统，该方法包括：获取待预测的样本数据，将其输入到训练好的剩余寿命预测神经网络中获得输出预测结果，剩余寿命预测神经网络包括特征编码器和回归预测器，在其训练过程中，利用特征编码器从源域样本数据中初步提取特征；利用时间混合对比域适应训练模块计算对比损失，利用对比损失迭代训练特征编码器，实现从目标域样本数据特征中进一步提取互信息作为一种高级特征；利用细粒度结构域适应训练模块计算域判别损失和源域样本数据和目标域样本数据之间的细粒度匹配程度，利用域判别损失和细粒度匹配程度迭代训练特征编码器，实现进一步提取源域与目标域之间的域不变特征。该系统包括：输入接口、输出接口、处理器、计算机可读存储介质和存储的程序指令，其中，处理器调取程序指令进行剩余寿命预测神经网络训练；调取训练好的剩余预测神经网络的程序指令，指令特征提取器对所述待检测的滚动轴承振动数据进行特征提取，将提取的特征输入回归预测器进行预测处理，得到预测结果。本发明有效地提高滚动轴承剩余使用寿命预测结果的准确率。
-
公开(公告)号：CN118153625A
公开(公告)日：2024-06-07
申请号：CN202410247419.0
申请日：2024-03-05
Applicant: 重庆邮电大学工业互联网研究院
IPC: G06N3/0442 , G06N3/045 , G06N3/098 , G06N3/082 , G06F18/15 , G06F18/214 , G06F18/21 , G06F18/213 , G01R31/367 , G01R31/392
Abstract: 本发明涉及一种锂电池荷电状态预测方法，包括：各客户端将锂电池运行过程中的运行数据进行归一化处理，构建本地训练集；各个客户端利用本地训练集对锂电池预测模型训练预设的次数得到局部模型，并利用自适应模型权重剪枝策略对局部模型的参数进行剪枝，并接收服务器聚合后的全局模型；直至达到预设的次数后，得到训练好的锂电池预测模型，将待验证的数据输入训练好的锂电池预测模型得到电池荷电状态的初始预测结果；利用高斯分布计算权重的加权回归优化Savitzky‑Golay滤波器对初始预测结果进行过滤得到最终的预测结果，本发明显著提升了锂电池荷电状态预测的准确度，同时也节约中心服务器的计算开销。
-
Patent Agency Ranking
公开(公告)号：CN113305645B
公开(公告)日：2022-07-15
申请号：CN202110690654.1
申请日：2021-06-22
Applicant: 重庆邮电大学工业互联网研究院
IPC: B23Q17/09
Abstract: 本发明属于数控机床刀具寿命预测领域，特别涉及一种基于混合神经模型的数控机床刀具剩余寿命预测方法，包括构建混合神经网络模型，针对刀具数据采样频率，构建PLC工况信号数据与振动和电流信号的同一时间段的样本生成一个样本数据；利用卷积神经网络和长短期记忆网络联合的子模型对样本数据进行学习得到第一表征刀具寿命的特征向量；利用NFM神经网络将采样点的工况信号hash成一独特的索引值后生成一特定维度的可学习的向量表学习获得第二表征刀具寿命的特征向量；将刀具当前工作时长和获取的特征向量输入到多层感知机中进行融合，预测刀具寿命；本发明能够根据刀具中的稀疏特征对道具寿命进行有效、精确的预测。
-
公开(公告)号：CN113305645A
公开(公告)日：2021-08-27
申请号：CN202110690654.1
申请日：2021-06-22
Applicant: 重庆邮电大学工业互联网研究院
IPC: B23Q17/09
Abstract: 本发明属于数控机床刀具寿命预测领域，特别涉及一种基于混合神经模型的数控机床刀具剩余寿命预测方法，包括构建混合神经网络模型，针对刀具数据采样频率，构建PLC工况信号数据与振动和电流信号的同一时间段的样本生成一个样本数据；利用卷积神经网络和长短期记忆网络联合的子模型对样本数据进行学习得到第一表征刀具寿命的特征向量；利用NFM神经网络将采样点的工况信号hash成一独特的索引值后生成一特定维度的可学习的向量表学习获得第二表征刀具寿命的特征向量；将刀具当前工作时长和获取的特征向量输入到多层感知机中进行融合，预测刀具寿命；本发明能够根据刀具中的稀疏特征对道具寿命进行有效、精确的预测。
-
公开(公告)号：CN115983536A
公开(公告)日：2023-04-18
申请号：CN202210449727.2
申请日：2022-04-24
Applicant: 重庆邮电大学工业互联网研究院
IPC: G06Q10/0631 , G06Q10/067 , G06Q50/26
Abstract: 本发明属于公共安全管理技术领域，具体涉及一种基于数字孪生的应急警力调度方法及系统；该方法包括：边缘设备实时采集警情数据并构建物理空间和数字孪生空间；在数字孪生空间中部署预测算法模型和调度算法模型；根据物理空间分别执行调度算法模型和预测算法模型，得到调度方案和出警方案；对出警方案进行仿真验证，若验证通过，则根据调度方案进行警力调度，否则，重新执行调度算法模型，生成新的调度方案；对新的调度方案进行仿真验证，若验证通过，则保留新的调度方案，否则，重新执行调度算法模型，更新调度方案，再次进行仿真验证；本发明对真实物理环境进行模拟验证，为出警提供高效可靠的调度方案，具有良好的社会效益。
-
公开(公告)号：CN115047761A
公开(公告)日：2022-09-13
申请号：CN202210584213.8
申请日：2022-05-27
Applicant: 重庆邮电大学工业互联网研究院
IPC: G05B13/04
Abstract: 本发明属于机器人控制技术领域，特别涉及基于自适应滑模观测器的机械臂模型优化方法，包括根据机械臂的位置信号和未知外部干扰通过牛顿欧拉方法获得第一非线性机械臂模型，将第一非线性机械臂模型进行状态空间处理成模型确定部分和模型不确定部分；用径向基函数神经网络对模型不确定部分近似逼近，获得第二非线性机械臂模型；采用滑模控制方法和第二径向基函数神经网络构建所述第二非线性机械臂模型的自适应滑模观测器，并用所述自适应滑模观测器计算所述逼近结果的估计值；将所述逼近结果的估计值补偿到第一非线性机械臂模型中，消除未知外部干扰对机械臂的影响，优化第一非线性机械臂模型。
-
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
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。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.043 seconds)
