-
公开(公告)号：CN106292330A
公开(公告)日：2017-01-04
申请号：CN201610551142.6
申请日：2016-07-13
Applicant: 北京航空航天大学
IPC: G05B17/02
Abstract: 本发明公开了一种飞机嵌入式实时诊断推理算法试验方法，包括：主控装置对待验证诊断推理算法进行注册；主控装置将经过注册的待验证诊断推理算法整合到嵌入式目标机中；数据模拟装置根据主控装置发出的注入实际故障数据的故障注入指令，从试验台故障注入系统获得相应的实际故障数据；所述嵌入式目标机利用所述待验证诊断推理算法对所述实际故障数据进行推理计算，将计算结果发送给主控装置；主控装置通过分析所述计算结果，对所述待验证诊断推理算法的性能进行评价。本发明解决了现有技术存在的需要在飞机上验证实时诊断推理算法的困难。
-
公开(公告)号：CN104832418A
公开(公告)日：2015-08-12
申请号：CN201510227858.6
申请日：2015-05-07
Applicant: 北京航空航天大学
IPC: F04B51/00
Abstract: 一种基于局部均值变换和Softmax的液压泵故障诊断方法，通过分析从液压泵采集到的振动信号可以获取液压泵的实时状态。首先利用局部均值分解(LMD)将振动信号分解成若干个PF(Product function简称PF)分量。再对包含故障信息的PF分量进行分析，提取能量等特征参数和相应的时域统计量。之后利用多维尺度分析(MDS)来进行特征约简。在得到约简后的特征之后，经过训练的逻辑斯蒂模型被用来对液压泵进行健康评估。在对液压泵进行健康评估的过程中如果检测到故障发生，经过训练的Softmax回归模型将对可能的故障模式进行诊断。本发明能够对有效的对液压泵的健康状态进行评估并对进行故障诊断。
-
公开(公告)号：CN117932414A
公开(公告)日：2024-04-26
申请号：CN202311604044.0
申请日：2023-11-28
Applicant: 北京航空航天大学
IPC: G06F18/241 , G06F18/214 , G06N3/092 , G06F30/27
Abstract: 本发明公开了一种不平衡样本下基于深度强化学习的飞机主电源故障诊断方法及装置，包括：获取飞机主电源系统每个故障模式的故障数据，并通过对所述每个故障模式的故障数据进行预处理，得到不同平衡比例下的训练数据集和测试数据集；构建基于深度强化学习的故障诊断模型，并通过对所述基于深度强化学习的故障诊断模型的奖励函数进行改进处理，得到改进后的基于深度强化学习的故障诊断模型；利用所述不同平衡比例下的训练数据集对所述改进后的基于深度强化学习的故障诊断模型进行训练，得到具备最佳故障诊断策略的基于深度强化学习的故障诊断模型；通过将所述测试数据集依次输入到所述具备最佳故障诊断策略的基于深度强化学习的故障诊断模型中，得到每个测试集样本的故障类别。
-
公开(公告)号：CN113536682B
公开(公告)日：2024-01-23
申请号：CN202110824289.9
申请日：2021-07-21
Applicant: 北京航空航天大学
IPC: G06F30/27 , G06F18/25 , G06N3/0464 , G06N3/084 , G06F119/04
Abstract: 本发明提供一种基于二次自编码融合机制的电动液压舵机参数退化时序外推预测方法，所述方法包括：获取电动液压舵机的故障预测数据；对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；构建时序外推预测器：所述时序外推预测器包括卷积神经网络一次自编码器、基于专家知识的人工时域特征提取器，以及基于SAE的二次自编码器；所述时序外推预测器将所述训练数据集进行融合得到融合特征，而且所述二次自编码器对所述融合特征进行二次编码，而后再将二次编码特征与标签数据建立映射关系；综合训练所述卷积神经网络一次自编码器和所述时序外推预测器，得到训练好的时序外推预测器；以及利用训练好的时序外推预测模型对对已有数据进行预测。
-
公开(公告)号：CN112784872B
公开(公告)日：2023-06-30
申请号：CN202011557783.5
申请日：2020-12-25
Applicant: 北京航空航天大学
IPC: G06F18/2415 , G06F18/2431 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/09 , G06N3/096
Abstract: 本发明公开了一种基于开放集联合迁移学习的跨工况故障诊断方法，包括：通过提取并识别跨工况的源域样本数据和目标域样本数据的故障类型，训练特征提取模型和特征分类模型；用训练好的特征提取模型和特征分类模型搭建故障诊断模型；将需要进行故障诊断的目标域数据输入到所述故障诊断模型，对目标域数据对应的故障类型进行诊断。
-
Patent Agency Ranking
公开(公告)号：CN115687941A
公开(公告)日：2023-02-03
申请号：CN202211335880.9
申请日：2022-10-28
Applicant: 北京航空航天大学
IPC: G06F18/22 , G06F18/214
Abstract: 本发明公开了一种设备退化过程相似样本的筛选方法及装置，其涉及航空航天技术领域，其方法包括：首先，对目标设备与同型号设备传感器采集到的监测参数数据通过PCA降低参数维度，实现提取退化主要信息的作用；然后，根据目标设备退化期长度确定集成距离度量过程中推土机距离与余弦距离的权重；接下来，基于推土机距离与余弦距离度量方法及其各自确定好的权重计算目标设备与各同型号设备间的集成距离，并以此代表同型号设备与目标设备间的相似性。最后，依次通过排序择优与统计筛选两种方法选出目标设备相似的同型号设备。
-
公开(公告)号：CN113239021B
公开(公告)日：2022-11-01
申请号：CN202110647242.X
申请日：2021-06-10
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种用于相似产品剩余寿命预测的数据迁移方法，包括：利用目标相似产品数据对历史数据库中全寿命相似产品中相同长度数据进行样本筛选处理，得到性能衰退序列数据的可迁移样本；通过将目标相似产品数据与所得到的性能衰退序列数据的可迁移样本之间的余弦距离作为相似产品的可迁移程度，选择最小余弦距离的相似产品的迁移样本；利用目标相似产品数据De和相似产品的可迁移样本Dts训练SDA数据迁移模型；利用训练好的SDA数据迁移模型生成可迁移样本全寿命序列。
-
公开(公告)号：CN112327192B
公开(公告)日：2021-11-30
申请号：CN202011131864.9
申请日：2020-10-21
Applicant: 北京航空航天大学
IPC: G01R31/392 , G01R31/367
Abstract: 本发明公开了一种基于曲线形态的电池容量跳水识别方法，包括：依据经过数据平滑预处理后的电池容量退化数据，获取电池容量退化曲线数据；从所述电池容量退化曲线数据中提取电池容量退化曲线的斜率特征；根据所提取的斜率特征对电池容量退化曲线进行形态识别；根据电池容量退化曲线形态识别结果，对电池容量跳水进行识别。
-
公开(公告)号：CN113536682A
公开(公告)日：2021-10-22
申请号：CN202110824289.9
申请日：2021-07-21
Applicant: 北京航空航天大学
IPC: G06F30/27 , G06K9/62 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 本发明提供一种基于二次自编码融合机制的电动液压舵机参数退化时序外推预测方法，所述方法包括：获取电动液压舵机的故障预测数据；对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；构建时序外推预测器：所述时序外推预测器包括卷积神经网络一次自编码器、基于专家知识的人工时域特征提取器，以及基于SAE的二次自编码器；所述时序外推预测器将所述训练数据集进行融合得到融合特征，而且所述二次自编码器对所述融合特征进行二次编码，而后再将二次编码特征与标签数据建立映射关系；综合训练所述卷积神经网络一次自编码器和所述时序外推预测器，得到训练好的时序外推预测器；以及利用训练好的时序外推预测模型对对已有数据进行预测。
-
公开(公告)号：CN113435235A
公开(公告)日：2021-09-24
申请号：CN202110039258.2
申请日：2021-01-13
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于递归融合编码器的装备状态表征提取方法，具体步骤如下：步骤一、监测参数时序化处理；步骤二、RFA模型配置；步骤三、RFA模型无监督训练；步骤四、鲁棒状态表征提取。本发明基于深度递归编码‑解码架构，提出了一种序贯融合层，以直观、简便的方式缓解了现有方法的梯度消失问题，对数据中的噪声、非平稳组分等干扰更为鲁棒，实现从时间、特征两个维度对装备多维状态监控数据进行完备的状态表征提取。本发明提出的状态表征提取方法，可不依赖故障数据，具有良好的自适应性与可扩展性，在普遍缺乏装备故障数据的实际场景中具有较高的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.061 seconds)
