-
公开(公告)号：CN114857062B
公开(公告)日：2023-03-24
申请号：CN202210382282.0
申请日：2022-04-13
申请人： 大连理工大学
IPC分类号： F04D27/00 , G06N3/0464 , G06N3/049 , G06N3/082 , G08B31/00
摘要： 本发明属于人工智能领域，提出了一种基于TCN的航空发动机失稳状态检测系统，包括如下步骤：采集航空发动机数据；对数据进行预处理；将预处理后的数据分为训练集和测试集，代入TCN神经网络进行训练直到网络收敛；将训练完成的网络部署在开发板上；利用数据输入模块、数据异常检测模块和异常输出模块完成对航空发动机失速喘振数据的实时检测评估。本发明基于TCN网络和FPGA开发板进行预测，可以避免梯度爆炸和梯度消失的同时，提高并行度，能够有效的提高预测速度，提高对航空发动机失速喘振数据的预测精度。
-
公开(公告)号：CN115457335A
公开(公告)日：2022-12-09
申请号：CN202211278374.0
申请日：2022-10-19
申请人： 大连理工大学
IPC分类号： G06V10/764 , G06N3/04 , G06N3/08 , G06V10/77 , G06V10/82
摘要： 本发明属于三维目标检测技术领域，公开了一种基于改进SECOND网络的点云目标检测方法。本方法首先将原始点云数据进行裁剪和划分，将整张点云图区域划分为有着相同大小的体素；然后，使用一种考虑了体素内部空间位置关系的体素特征编码器，将体素中的所有点的特征编码为一个张量作为该体素的特征；随后，通过稀疏卷积和使用ResNeXt模块增强了特征提取能力的骨干网络实现提取特征；最后，将送入多检测头的检测网络，得到预测检测结果。通过本发明设计的基于改进SECOND网络的道路目标检测方法，可以解决点云目标中难例检测的效果不佳问题，大大提升了检测的准确率，为基于激光雷达的三维点云目标检测领域发展提供技术支撑。
-
公开(公告)号：CN114857062A
公开(公告)日：2022-08-05
申请号：CN202210382282.0
申请日：2022-04-13
申请人： 大连理工大学
摘要： 本发明属于人工智能领域，提出了一种基于TCN的航空发动机失稳状态检测系统，包括如下步骤：采集航空发动机数据；对数据进行预处理；将预处理后的数据分为训练集和测试集，代入TCN神经网络进行训练直到网络收敛；将训练完成的网络部署在开发板上；利用数据输入模块、数据异常检测模块和异常输出模块完成对航空发动机失速喘振数据的实时检测评估。本发明基于TCN网络和FPGA开发板进行预测，可以避免梯度爆炸和梯度消失的同时，提高并行度，能够有效的提高预测速度，提高对航空发动机失速喘振数据的预测精度。
-
公开(公告)号：CN111413866B
公开(公告)日：2021-08-06
申请号：CN202010151847.5
申请日：2020-03-06
申请人： 大连理工大学
IPC分类号： G05B13/04
摘要： 本发明属于航空发动机控制算法设计领域，提出一种考虑时延的航空发动机分布式控制律设计及验证方法，步骤如下：对存在时延的航空发动机分布式系统的状态空间模型进行离散化增广建模；设计ALQR控制器，实现对分布式系统中网络时延的控制；在Truetime工具箱中搭建航空发动机分布式控制系统仿真平台，并对所设计的ALQR控制器进行仿真验证。本发明方法能够实现对分布式系统中网络时延的控制，减少时延对发动机性能的影响；此外，针对存在时延的分布式系统的控制律设计方法具有一定的普适性，可以推广到其他类型的分布式时延问题；同时，本发明提供的Truetime仿真平台参数修改方便，可对其他分布式控制系统进行仿真验证。
-
公开(公告)号：CN111679576B
公开(公告)日：2021-07-16
申请号：CN202010433366.3
申请日：2020-05-21
申请人： 大连理工大学
摘要： 本发明属于航空发动机控制技术领域，一种基于改进确定性策略梯度算法的变循环发动机控制器设计方法。本发明采用样本优先回放技术、目标神经网络技术对确定性策略梯度算法进行改进，将其作为变循环发动机多变量控制算法。改进的确定性策略梯度算法可以加快神经网络的训练速度、保证神经网络参数更新过程的稳定性，实现变循环发动机全部可调部件的组合调节。本发明设计的变循环发动机稳态多变量控制器，不需要对变量进行解耦控制，具有更好的可以可移植性。加入的样本优先回放机制有利于提高了样本利用率，加速神经网络训练过程，同时双Actor‑Critic结构设计，利用目标神经网络计算真实神经网络梯度，使神经网络的训练过程更易于收敛。
-
公开(公告)号：CN111042928B
公开(公告)日：2020-12-11
申请号：CN201911388033.7
申请日：2019-12-30
申请人： 大连理工大学
IPC分类号： F02C9/00
摘要： 本发明属于航空发动机控制技术领域，提供了一种基于动态神经网络的变循环发动机智能控制方法，通过在神经网络训练算法中添加基于灰色关联分析法的结构调整算法，对神经网络结构进行调整，构建动态神经网络控制器，实现对变循环发动机的智能控制。通过本发明设计的基于灰色关联度分析法的网络结构调整算法进行动态神经网络训练，构建基于动态神经网络的变循环发动机动智能控制器。有效改善了变循环发动机控制变量增多带来的非线性多变量之间的耦合问题和传统的控制方法过于依赖模型精度的问题。同时，又能在神经网络训练过程中进行结构的动态调整，使网络结构更加精简，提高了运行速度和控制精度。
-
公开(公告)号：CN112001128A
公开(公告)日：2020-11-27
申请号：CN202010963798.5
申请日：2020-09-15
申请人： 大连理工大学
摘要： 一种基于深度学习的轴流压气机失速喘振预测方法，属于航空发动机建模与仿真技术领域。首先，对航空发动机喘振数据进行预处理，在实验数据中划分出测试数据集和训练数据集。其次，依次构建LR分支网络模块、构建WaveNet分支网络模块、构建LR-WaveNet预测模型。最后，在测试数据上进行实时预测：首先对测试集数据采用相同方式进行预处理，并按LR-WaveNet预测模型的输入要求调整数据维度；按时间顺序，采用LR-WaveNet预测模型给出每个样本的喘振预测概率；采用LR-WaveNet预测模型给出带噪声点数据随时间的喘振概率，测试模型的抗干扰性。本发明综合了时域统计特征和变化趋势，提高了预测精度，并且具有一定的抗干扰性；有利于提高发动机主动控制的性能，具有一定的普适性。
-
公开(公告)号：CN111737910A
公开(公告)日：2020-10-02
申请号：CN202010521798.X
申请日：2020-06-10
申请人： 大连理工大学
摘要： 一种基于深度学习的轴流压气机失速喘振预测方法，属于航空发动机建模与仿真技术领域。首先，对航空发动机喘振数据进行预处理，在实验数据中划分出测试数据集和训练数据集。其次，依次构建LR分支网络模块、构建WaveNet分支网络模块、构建LR-WaveNet预测模型。最后，在测试数据上进行实时预测：首先对测试集数据采用相同方式进行预处理，并按LR-WaveNet预测模型的输入要求调整数据维度；按时间顺序，采用LR-WaveNet预测模型给出每个样本的喘振预测概率；采用LR-WaveNet预测模型给出带噪声点数据随时间的喘振概率，测试模型的抗干扰性。本发明综合了时域统计特征和变化趋势，提高了预测精度，并且具有一定的抗干扰性；有利于提高发动机主动控制的性能，具有一定的普适性。
-
公开(公告)号：CN111553121A
公开(公告)日：2020-08-18
申请号：CN202010375964.X
申请日：2020-05-07
申请人： 大连理工大学
IPC分类号： G06F30/33 , G06F119/02
摘要： 本发明涉及电路可靠性验证领域，提供一种层次化数字电路可靠性验证方法，包括：在BSIM 3v3模型中，由mosfet晶体管受HCI、NBTI和TDDB效应影响的阈值电压漂移△Vth的计算公式，形成能够评估mosfet晶体管性能变化情况的新BSIM 3v3模型；再利用SPICE仿真器调用新BSIM 3v3模型对只含有一个mosfet晶体管的电路进行仿真，从而产生退化的mosfet晶体管模型文件；在退化的mosfet晶体管模型文件的基础上经由单元库表征工具提取出退化的数字单元库；最后基于退化的数字单元库对数字电路进行分析，实现对大规模数字电路性能退化的预测。本发明能够节省大规模数字电路可靠性验证的时间。
-
公开(公告)号：CN109033515B
公开(公告)日：2020-05-19
申请号：CN201810635480.7
申请日：2018-06-13
摘要： 本发明属于发动机建模技术领域，提供了一种微型燃气涡轮发动机起动过程建模方法，步骤如下：微型燃气涡轮发动机转速的建模；微型燃气涡轮发动机的性能参数与转速的关系建模；误差分析。现有微型燃气涡轮发动机建模方法多是利用纯机理或机器学习的方法，难以准确刻画微型燃气涡轮发动机的起动过程，而机器学习需要大量的试验数据。在工程实践中，目前普遍采用的纯机理操作繁复，效率低下，建模准确度不高。本发明提供了一种基于机理和辨识方法相结合的微型燃气涡轮发动机起动过程建模方法，弥补了现有技术的不足。本发明操作简单，准确率高，并可实现整个微型燃气涡轮发动机的建模。该方法具有一定的拓展性，可推广到其它领域。
-
-
-
-
-
-
-
-
-
搜索结果
119 条记录 (耗时 0.057 秒)
