-
公开(公告)号：CN111553057A
公开(公告)日：2020-08-18
申请号：CN202010300271.4
申请日：2020-04-16
Applicant: 北京航空航天大学
IPC: G06F30/20 , G06F119/02
Abstract: 本发明公开了一种健康状态层流逻辑中表决结构的健康建模与计算方法，包括：根据系统需要执行的任务，构建系统健康状态层流逻辑中的表决结构模型，所述表决结构是指系统内同时运行的M个单元中至少R个单元正常运行，才能使整个系统正常运行，M>R>1；确定表决结构中每个单元的任务健康度和重要度权重；利用所述表决结构中每个单元的任务健康度、同时运行的单元个数以及正常运行单元个数，计算所述表决结构系统的任务健康度；利用所述表决结构中每个单元的任务健康度和重要度权重、同时运行的单元个数以及正常运行单元个数，计算所述表决结构系统的风险健康度。
-
公开(公告)号：CN115658371A
公开(公告)日：2023-01-31
申请号：CN202211598015.3
申请日：2022-12-14
Applicant: 北京航空航天大学
IPC: G06F11/07 , G06F16/9535 , G06F18/214 , G06F18/2431 , G06N5/01
Abstract: 本申请提供了一种基于案例学习与可诊断性分析的诊断算法量化推荐方法，包括：获取待诊断对象的可诊断性要素集中各个可诊断性要素对应的可诊断性要素信息；可诊断性要素与故障诊断相关；将所有的可诊断性要素信息输入至训练好的推荐决策树模型中，通过推荐决策树模型输出针对待诊断对象的推荐结果，以使用推荐结果对应的目标故障诊断算法对待诊断对象进行故障诊断；推荐决策树模型与待诊断对象所属领域相同；在推荐决策树模型中，根据可诊断性要素信息对待诊断对象进行分类，以将待诊断对象划分至目标故障诊断算法的类别下。该方法有利于减少人为主观因素影响，提高故障诊断算法匹配的精确性，减少工程师的工作量，提高推荐匹配效率。
-
公开(公告)号：CN111680407B
公开(公告)日：2023-12-01
申请号：CN202010452257.6
申请日：2020-05-26
Applicant: 北京航空航天大学
IPC: G06F30/20
Abstract: 本发明公开了一种基于高斯混合模型的卫星健康评估方法，包括：通过对获取的正常运行多维遥参数据和当前运行多维遥参数据分别进行预处理特征提取，得到正常高维特征向量和当前高维特征向量；利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型，并利用所述当前高维特征向量对所述训练后的正常高斯混合模型进行训练处理，得到训练后的当前高斯混合模型；计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度，并通过对所述重叠度进行归一化处理，得到当前健康度指数值；利用多个所述当前健康度指数值，对所述卫星健康状态进行评估处理。
-
Patent Agency Ranking
公开(公告)号：CN115903746A
公开(公告)日：2023-04-04
申请号：CN202211514037.7
申请日：2022-11-29
Applicant: 北京航空航天大学
IPC: G05B23/02 , G06N3/045 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06F18/2415 , G06F123/02
Abstract: 本发明公开了一种知识与孪生模型驱动的作动器关键故障注入与诊断方法，具体步骤如下：步骤一：作动器数据预处理；步骤二：基于LSTM的作动器深度观测器构建；步骤三：作动器深度观测器训练；步骤四：基于CNN的故障识别模型构建；步骤五：故障识别模型训练；步骤六：作动器故障诊断方法测试。本发明通过数字孪生模型进行作动器故障注入实验，获取支持故障诊断方法研究的数据，这种作动器故障注入方法具有灵活、快速的优势。本发明通过长短周期记忆网络及卷积神经网络的双级深度学习网络耦合，由孪生数据驱动基于长短周期记忆网络构建作动器深度观测器运行，无需任何先验知识即可估计出作动器在不同健康状态下目标参数的残差变化情况，进一步基于卷积神经网络实现作动器的故障诊断。
-
公开(公告)号：CN112991579A
公开(公告)日：2021-06-18
申请号：CN202110255485.9
申请日：2021-03-09
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种基于生成对抗网络的直升机动部件异常检测方法，该方法包括如下步骤，步骤一、直升机健康数据预处理；步骤二、生成对抗网络设计与构件；步骤三、生成对抗网络无监督训练；步骤四、报警阈值设定；步骤五、异常检测；步骤六、阈值自适应在线调整；本发明可充分利用海量直升机动部件健康数据，利用生成对抗网络对健康数据分布进行无监督学习，提高数据利用率，不需大量异常样本即可设置异常检测报警阈值，降低了对数据收集的要求，可随着模型的使用，结合不断补充的健康与异常样本，对异常检测报警阈值进行在线调整，以适应异常检测需求，降低虚警率、提升检测率。
-
公开(公告)号：CN115658371B
公开(公告)日：2023-03-10
申请号：CN202211598015.3
申请日：2022-12-14
Applicant: 北京航空航天大学
IPC: G06F11/07 , G06F16/9535 , G06F18/214 , G06F18/2431 , G06N5/01
Abstract: 本申请提供了一种基于案例学习与可诊断性分析的诊断算法量化推荐方法，包括：获取待诊断对象的可诊断性要素集中各个可诊断性要素对应的可诊断性要素信息；可诊断性要素与故障诊断相关；将所有的可诊断性要素信息输入至训练好的推荐决策树模型中，通过推荐决策树模型输出针对待诊断对象的推荐结果，以使用推荐结果对应的目标故障诊断算法对待诊断对象进行故障诊断；推荐决策树模型与待诊断对象所属领域相同；在推荐决策树模型中，根据可诊断性要素信息对待诊断对象进行分类，以将待诊断对象划分至目标故障诊断算法的类别下。该方法有利于减少人为主观因素影响，提高故障诊断算法匹配的精确性，减少工程师的工作量，提高推荐匹配效率。
-
公开(公告)号：CN112991579B
公开(公告)日：2021-12-07
申请号：CN202110255485.9
申请日：2021-03-09
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种基于生成对抗网络的直升机动部件异常检测方法，该方法包括如下步骤，步骤一、直升机健康数据预处理；步骤二、生成对抗网络设计与构件；步骤三、生成对抗网络无监督训练；步骤四、报警阈值设定；步骤五、异常检测；步骤六、阈值自适应在线调整；本发明可充分利用海量直升机动部件健康数据，利用生成对抗网络对健康数据分布进行无监督学习，提高数据利用率，不需大量异常样本即可设置异常检测报警阈值，降低了对数据收集的要求，可随着模型的使用，结合不断补充的健康与异常样本，对异常检测报警阈值进行在线调整，以适应异常检测需求，降低虚警率、提升检测率。
-
公开(公告)号：CN111680407A
公开(公告)日：2020-09-18
申请号：CN202010452257.6
申请日：2020-05-26
Applicant: 北京航空航天大学
IPC: G06F30/20
Abstract: 本发明公开了一种基于高斯混合模型的卫星健康评估方法，包括：通过对获取的正常运行多维遥参数据和当前运行多维遥参数据分别进行预处理特征提取，得到正常高维特征向量和当前高维特征向量；利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型，并利用所述当前高维特征向量对所述训练后的正常高斯混合模型进行训练处理，得到训练后的当前高斯混合模型；计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度，并通过对所述重叠度进行归一化处理，得到当前健康度指数值；利用多个所述当前健康度指数值，对所述卫星健康状态进行评估处理。
-
-
-
-
-
-
-
Search Results
28
records
(took 0.037 seconds)
