-
公开(公告)号：CN111241673B
公开(公告)日：2021-10-22
申请号：CN202010014873.3
申请日：2020-01-07
申请人： 北京航空航天大学
IPC分类号： G06F30/20 , G06F119/04
摘要： 本发明提供一种用于噪声环境工业设备的健康状态预测方法，该方法基于深度学习及无监督噪声样本检测进行，包括：使用设置在工业设备上的传感器获取含有噪声的监测数据；使用窗口大小为stw的滑动时间窗口基于含有噪声的监测数据生成多个序列数据样本；使用带注意力机制的转换模型针对每一个序列数据样本生成注意力权重向量αT；基于平均连接算法的自底向上的层次聚类算法将αT进行聚类，去掉异常类中的αT对应的序列数据样本，使用剩下的序列数据样本训练LSTM预测模型；使用训练好的LSTM预测模型预测工业设备的健康状态；本发明将多变量输入序列转换为与预测相关的注意力权重向量，对其进行层次聚类，检测出噪声样本并将其去除，使预测模型准确度更高。
-
公开(公告)号：CN110378052B
公开(公告)日：2020-11-06
申请号：CN201910676192.0
申请日：2019-07-25
申请人： 北京航空航天大学
摘要： 本发明公开了一种基于循环神经网络考虑未来工况的设备剩余寿命预测方法，其包括以下步骤：S1：获取反映目标设备工作状况的多个传感器监测数据集，包括设备从初始时刻到失效的监测数据，并对数据进行预处理；S2：利用滑动时间窗口方法根据监测数据获得建模样本，并根据实验选取预设的时间窗口大小；S3：根据建模样本建立深度LSTM模型，使用训练后的深度LSTM模型对目标设备进行初步剩余寿命预测；S4：根据初步预测结果和未来工况数据，建立考虑未来工况的多输入端模型，对目标设备进行剩余寿命预测。该方法能够准确地预测设备的剩余寿命，在未来工况已知的情况下，能够考虑未来工况对剩余寿命的影响，提高预测准确度。
-
公开(公告)号：CN114418117B
公开(公告)日：2024-05-28
申请号：CN202210067075.6
申请日：2022-01-20
申请人： 北京航空航天大学
IPC分类号： G06N20/00 , G06F18/214 , G06F18/241 , G06F30/27
摘要： 本发明提供一种用于少样本故障诊断的具有自适应学习率的元学习方法，其包括以下步骤：确定相关超参数；对模型参数随机初始化；进行元训练包括：外循环迭代次数中嵌套内循环，在内循环迭代中，采样形成子任务，根据内循环中子任务的参数更新次数Γ计算得到参数#imgabs0#计算样本的交叉熵损失，内循环结束后计算特征间多核最大均值差异并更新模型参数；进行精调循环包括：计算自适应的精调学习率，计算精调损失函数，最后得到用于目标任务故障诊断的模型并结束。本发明提出了用于元训练和精调的两种自适应学习率，并改进了元训练和精调的损失函数，解决了少样本学习中的过拟合和欠拟合问题，并且使模型具有更强的泛化能力。
-
公开(公告)号：CN114418117A
公开(公告)日：2022-04-29
申请号：CN202210067075.6
申请日：2022-01-20
申请人： 北京航空航天大学
摘要： 本发明提供一种用于少样本故障诊断的具有自适应学习率的元学习方法，其包括以下步骤：确定相关超参数；对模型参数随机初始化；进行元训练包括：外循环迭代次数中嵌套内循环，在内循环迭代中，采样形成子任务，根据内循环中子任务的参数更新次数Γ计算得到参数计算样本的交叉熵损失，内循环结束后计算特征间多核最大均值差异并更新模型参数；进行精调循环包括：计算自适应的精调学习率，计算精调损失函数，最后得到用于目标任务故障诊断的模型并结束。本发明提出了用于元训练和精调的两种自适应学习率，并改进了元训练和精调的损失函数，解决了少样本学习中的过拟合和欠拟合问题，并且使模型具有更强的泛化能力。
-
公开(公告)号：CN110378052A
公开(公告)日：2019-10-25
申请号：CN201910676192.0
申请日：2019-07-25
申请人： 北京航空航天大学
摘要： 本发明公开了一种基于循环神经网络考虑未来工况的设备剩余寿命预测方法，其包括以下步骤：S1：获取反映目标设备工作状况的多个传感器监测数据集，包括设备从初始时刻到失效的监测数据，并对数据进行预处理；S2：利用滑动时间窗口方法根据监测数据获得建模样本，并根据实验选取预设的时间窗口大小；S3：根据建模样本建立深度LSTM模型，使用训练后的深度LSTM模型对目标设备进行初步剩余寿命预测；S4：根据初步预测结果和未来工况数据，建立考虑未来工况的多输入端模型，对目标设备进行剩余寿命预测。该方法能够准确地预测设备的剩余寿命，在未来工况已知的情况下，能够考虑未来工况对剩余寿命的影响，提高预测准确度。
-
-
-
公开(公告)号：CN115077565B
公开(公告)日：2022-11-15
申请号：CN202210845109.X
申请日：2022-07-19
申请人： 北京航空航天大学
IPC分类号： G01C25/00
摘要： 本发明公开了一种基于余弦反馈机制的光纤陀螺FPGA闭环测试方法及系统，包括：生成符合余弦函数模型的余弦数据；通过构建的余弦反馈机制模型对生成的余弦数据进行切尖峰脉冲处理，生成符合四态方波的陀螺角速率原始数据，并作为输入数据发送至待测光纤陀螺FPGA；待测光纤陀螺FPGA对接收到的陀螺角速率原始数据进行调制后，作为输出数据；打印输出数据中包含陀螺角速率的txt文件；在读取到txt文件中有陀螺数据更新，且所述输入数据和所述输出数据呈现非线性的对应关系时，对下一次输入的陀螺数据进行反馈更新。本发明中，整个数字闭环测试的工作过程都在统一的时序控制下完成，能够测试不同输出时序的光纤陀螺，实现方法简单快捷，通用性强。
-
公开(公告)号：CN115077565A
公开(公告)日：2022-09-20
申请号：CN202210845109.X
申请日：2022-07-19
申请人： 北京航空航天大学
IPC分类号： G01C25/00
摘要： 本发明公开了一种基于余弦反馈机制的光纤陀螺FPGA闭环测试方法及系统，包括：生成符合余弦函数模型的余弦数据；通过构建的余弦反馈机制模型对生成的余弦数据进行切尖峰脉冲处理，生成符合四态方波的陀螺角速率原始数据，并作为输入数据发送至待测光纤陀螺FPGA；待测光纤陀螺FPGA对接收到的陀螺角速率原始数据进行调制后，作为输出数据；打印输出数据中包含陀螺角速率的txt文件；在读取到txt文件中有陀螺数据更新，且所述输入数据和所述输出数据呈现非线性的对应关系时，对下一次输入的陀螺数据进行反馈更新。本发明中，整个数字闭环测试的工作过程都在统一的时序控制下完成，能够测试不同输出时序的光纤陀螺，实现方法简单快捷，通用性强。
-
公开(公告)号：CN111241673A
公开(公告)日：2020-06-05
申请号：CN202010014873.3
申请日：2020-01-07
申请人： 北京航空航天大学
IPC分类号： G06F30/20 , G06F119/04
摘要： 本发明提供一种用于噪声环境工业设备的健康状态预测方法，该方法基于深度学习及无监督噪声样本检测进行，包括：使用设置在工业设备上的传感器获取含有噪声的监测数据；使用窗口大小为stw的滑动时间窗口基于含有噪声的监测数据生成多个序列数据样本；使用带注意力机制的转换模型针对每一个序列数据样本生成注意力权重向量αT；基于平均连接算法的自底向上的层次聚类算法将αT进行聚类，去掉异常类中的αT对应的序列数据样本，使用剩下的序列数据样本训练LSTM预测模型；使用训练好的LSTM预测模型预测工业设备的健康状态；本发明将多变量输入序列转换为与预测相关的注意力权重向量，对其进行层次聚类，检测出噪声样本并将其去除，使预测模型准确度更高。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.05 秒)
