-
公开(公告)号：CN109917772B
公开(公告)日：2020-09-08
申请号：CN201811477518.9
申请日：2018-12-05
Applicant: 北京航空航天大学
IPC: G05B23/02
Abstract: 本发明公开一种远程在线评估设备状态的PHM快速原型系统，涉及设备健康评估领域，包括：设置在设备处的PHM应用模块，用于通过多种传感器采集所述设备运行数据，利用嵌入式实时诊断工具对所采集的运行数据进行评估处理，得到所述设备状态信息；设置在远程的PHM维护模块，用于建立连接所述PHM应用模块的通信电路，经由所述通信电路向所述PHM应用模块提供嵌入式实时诊断工具的算法自训练更新工具包。本发明实现PHM算法模型的快速训练及算法重构，根据设备不同状态及时更新相应的算法，克服了现有技术中固化的设备诊断评估方案的适应性差，算法更新成本高的技术问题。
-
公开(公告)号：CN106295809B
公开(公告)日：2018-12-14
申请号：CN201610551143.0
申请日：2016-07-13
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种飞机嵌入式实时诊断推理算法的试验系统，包括：主控装置，用于对待验证诊断推理算法进行注册，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，并发出生成故障数据的故障生成指令；数据模拟装置，用于根据主控装置的发出的故障生成指令，生成相应的故障数据；嵌入式目标机，通过运行所述待验证诊断推理算法，对所述故障数据进行推理计算，并将计算结果发送给主控装置；其中，所述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：CN108398652A
公开(公告)日：2018-08-14
申请号：CN201810352834.7
申请日：2018-04-19
Applicant: 北京航空航天大学
IPC: G01R31/36
Abstract: 本发明公开了一种基于多层特征融合深度学习的锂电池健康状态评估方法，涉及蓄电池健康管理技术领域，包括：对锂电池的充电和放电信号分别进行特征提取，得到所述锂电池的充电和放电特征数据；对所述锂电池的电荷容量数据、充放电时间数据、所述充电和放电信号特征数据进行多层特征融合的深度学习，得到所述锂电池多维参数的相关性特征数据；利用所述锂电池多维参数的相关性特征数据，对所述锂电池的健康状态进行评估，得到锂电池健康结果。本发明能够在没有人工干预的情况下自主获得能够有效反映锂电池健康变化的锂电池健康结果。
-
公开(公告)号：CN119004095A
公开(公告)日：2024-11-22
申请号：CN202410669552.5
申请日：2024-05-28
Applicant: 北京航空航天大学
IPC: G06F18/214 , G06F18/213 , G06N3/0475 , G06N3/045 , G06N3/08
Abstract: 本发明的实施方式提供了一种未知故障程度下缺失样本插补生成方法、装置及电子设备。该方法包括：从已有的部分已知故障程度下的各个故障样本中分别提取能够表征设备故障程度的退化趋势条件变量，并利用所述每个故障样本的退化趋势条件变量构建训练样本集；构建包含生成器网络的CRGAN‑MDTR网络模型，并利用所述训练样本集对所述包含生成器网络的CRGAN‑MDTR网络模型进行训练，得到训练好的生成器网络；获取目标故障程度下的退化趋势条件变量，并通过将所述目标故障程度下的退化趋势条件变量输入至所述训练好的生成器网络中，生成故障程度对应于所述目标故障程度下的退化趋势条件变量的故障样本，实现了未知故障程度下的缺失故障样本插补生成。本发明能够快速地输出缺陷故障样本，提升了获取故障样本的效率。
-
公开(公告)号：CN118194236A
公开(公告)日：2024-06-14
申请号：CN202410442360.0
申请日：2024-04-12
Applicant: 北京航空航天大学
IPC: G06F18/25 , G06N3/0475 , G06N3/094 , G06F18/10 , G06N3/096 , G06F123/02
Abstract: 本发明公开一种基于TL‑GAN的时间序列多尺度融合预测方法，包括：获取机电设备的性能衰退时间序列样本，并通过对所述性能衰退时间序列样本进行N尺度划分处理，得到N尺度下的一条性能衰退趋势序列数据和N尺度下的N条性能衰退细节序列数据；利用TL‑GAN时间序列生成技术对所述N尺度下的性能衰退趋势序列数据进行生成处理，得到N尺度下的生成趋势序列数据；通过对N尺度下的每条性能衰退细节序列数据进行单尺度融合处理，得到N尺度下的每条性能衰退细节序列数据的单尺度融合的细节序列数据；通过将所述生成趋势序列数据与所述单尺度融合的细节序列数据进行多尺度融合处理，得到机电设备的性能衰退时间序列预测结果。
-
Patent Agency Ranking
公开(公告)号：CN118193956A
公开(公告)日：2024-06-14
申请号：CN202410442362.X
申请日：2024-04-12
Applicant: 北京航空航天大学
IPC: G06F18/10 , G06F18/214 , G06N3/0475 , G06N3/048 , G06N3/094 , G06F123/02
Abstract: 本发明公开一种基于GAN的时间序列生成方法，包括：获取机电设备的真实性能衰退时间序列样本，并通过对所述真实性能衰退时间序列样本进行离散化处理，得到真实性能衰退时间序列样本的离散化数据；构建基于GAN的时间序列生成模型，并利用所述真实性能衰退时间序列样本的离散化数据对所述基于GAN的时间序列生成模型进行训练，得到训练好的基于GAN的时间序列生成模型；利用所述训练好的基于GAN的时间序列生成模型，得到接近所述真实性能衰退时间序列样本的离散化数据的生成性能衰退时间序列样本的离散化数据；通过对所述生成性能衰退时间序列样本的离散化数据进行插值处理，得到在时间上连续且时间间隔固定的性能衰退连续时间序列生成样本。
-
公开(公告)号：CN118133650A
公开(公告)日：2024-06-04
申请号：CN202410022188.3
申请日：2024-01-05
Applicant: 北京航空航天大学
IPC: G06F30/27 , G06N5/04 , G06F113/28 , G06F111/08 , G06F119/02
Abstract: 本发明公开了一种基于贝叶斯模型推理的飞行动力耦合系统的故障检测方法，通过故障树分析模型的构建，明确了飞行动力耦合系统在每个飞行阶段的结构构成和结构间发生故障的因果关系，解决了因飞行动力耦合系统在不同飞行阶段具有不同的结构构成和引发故障的不同因果关系而难以实现在不同飞行阶段下，对飞行动力耦合系统的故障节点进行精准检测的难题。通过将故障树分析模型转化为贝叶斯网络分析模型，并通过贝叶斯的正向推理和逆向推理过程，实现了对结构复杂的飞行动力耦合系统中容易发生故障的薄弱环节的预判和精准定位。
-
公开(公告)号：CN117922839A
公开(公告)日：2024-04-26
申请号：CN202410022206.8
申请日：2024-01-05
Applicant: 北京航空航天大学
IPC: B64F5/60
Abstract: 本发明公开了一种高超飞行器测试方法，采用将高超飞行器的测试性指标要求分拆为若干测试性指标子要求，并分配给飞发一体化系统中的每个组成单元，然后将测试性指标子要求嵌入到对应的组成单元所关联的测试项目中，使得对结构复杂的飞发一体化系统的整体性能测试转换为对每个组成单元的分拆测试，测试复杂度大幅降低，有利于提升测试效率。基于模型的系统工程(MBSE，Model Based System Engineering)将嵌入有分配的测试性指标子要求的组成单元对应的测试项目生成为测试流程，测试流程的生成减少了人为依赖，降低了流程生成的出错概率。
-
公开(公告)号：CN115660047A
公开(公告)日：2023-01-31
申请号：CN202211314880.0
申请日：2022-10-25
Applicant: 北京航空航天大学
IPC: G06N3/0464 , G06N3/047 , G06N3/088 , G06N3/048 , G06N3/09 , G06N3/094 , G06F18/214 , G06F18/241
Abstract: 本发明公开一种基于二项对抗表征学习的二值化故障特征自适应挖掘与诊断方法，所述方法包括：根据机械在各种健康状态下原始振动信号，得到在各种健康状态下的标准化振动信号及对应的真实健康状态标签；利用二项对抗样本、标准化振动信号及对应的真实健康状态标签，对二项表征编码器进行无监督对抗训练，得到已训练的二项表征编码器；通过将已训练的二项表征编码器与全连接分类网络串联，形成初始的机械故障诊断分类器，对所述初始的机械故障诊断分类器进行有监督微调，得到实用的机械故障诊断分类器，从而利用所述实用的机械故障诊断分类器，对待诊断机械进行故障诊断。
-
公开(公告)号：CN112734002B
公开(公告)日：2023-01-13
申请号：CN202011576950.0
申请日：2020-12-28
Applicant: 北京航空航天大学(CN)
Abstract: 本发明公开了一种基于数据层和模型层联合迁移学习的寿命预测方法，包括：将待预测的目标设备的少量已知退化数据作为目标域数据；通过距离相似性度量的方法，从历史数据库中筛选与目标设备退化曲线最为相似的历史样本设备的样本数据，作为数据层迁移的源域数据；利用所述目标域数据和所述源域数据，生成一条更接近目标设备的性能退化曲线；利用所述更接近目标设备的性能退化曲线和所述目标域数据训练寿命预测模型；将所述目标设备的待测数据输入到所述训练好的预测模型，对所述目标设备进行寿命预测。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.064 seconds)
