-
公开(公告)号：CN118965215A
公开(公告)日：2024-11-15
申请号：CN202410960278.7
申请日：2024-07-17
Applicant: 太原理工大学
IPC: G06F18/2433 , G06F18/25 , G06F17/13 , G06F17/16 , G06F16/36 , G06N5/022 , G06F30/15 , G06F30/27 , G06F119/02
Abstract: 本发明提供一种基于知识与数据融合驱动的航空发动机寿命预测方法，属于航空发动机寿命预测技术领域；所要解决的技术问题为：提供一种基于知识与数据融合驱动的航空发动机寿命预测方法；解决该技术问题采用的技术方案为：采用编码‑解码器的总体架构，编码器从过去的观察中提取高级特征表示，解码器汇总过去的信息并持续优化预测结果；编码器中设计GRU‑SDE模块，利用随机微分方程SDE模拟发动机退化过程，在提取时序依赖的同时更准确地模拟退化的不确定性和随机性；针对发动机固有知识构建知识图谱，获得基于知识的多传感器关系矩阵；随机初始化基于数据的关系矩阵，两者在训练过程中实现自适应融合；本发明应用于航空发动机寿命预测。
-
公开(公告)号：CN118861756A
公开(公告)日：2024-10-29
申请号：CN202410849101.X
申请日：2024-06-27
Applicant: 太原理工大学
IPC: G06F18/24 , G06N3/045 , G06N3/0475 , G06N3/094 , G06F18/10 , G06F123/02
Abstract: 本发明提供一种不规则的工业时序数据生成方法，属于工业时序数据生成技术领域；所要解决的技术问题为：提供一种不规则的工业时序数据生成方法的改进；解决该技术问题采用的技术方案为：提取不规则时序数据中的缺失指标和时间间隔指标，构建编解码器与生成对抗集成的不规则时序生成网络模型；训练编解码器，构建能够编码并重构数据的系统，处理并重构不规则多变量时间序列数据；利用生成对抗网络生成和原始数据类似的不规则模式的表征；利用训练好的生成器与解码器生成数据，通过解码器将这些表征转换回数据空间，以重构出类似不规则的时序数据，并基于下游任务反馈信号优化生成过程；本发明应用于不规则工业时序数据的生成。
-
公开(公告)号：CN118861918A
公开(公告)日：2024-10-29
申请号：CN202410849094.3
申请日：2024-06-27
Applicant: 太原理工大学
IPC: G06F18/2433 , G06N3/0455 , G06N3/042 , G06N3/088 , G06F18/25 , G06F18/2415 , G06F123/02
Abstract: 本发明提供一种基于掩码注意力网络和生成模型的时间序列异常检测方法，属于基于掩码注意力网络和生成模型的时间序列异常检测技术领域；所要解决的技术问题为：提供一种基于掩码注意力网络和生成模型的时间序列异常检测方法；解决该技术问题采用的技术方案为：基于掩码与图注意力的时空特征捕获；分别对时间序列中的节点和时间维度进行掩码，并利用图注意力网络捕获时间序列的空间和时序关系。基于混合生成模型的概率密度估计；使用标准化流和变分自编码器计算概率密度，结合标准化流的概率估计能力和VAE的深层潜在特征提取能力捕获序列中的复杂分布；本发明应用于信号时间序列的异常检测。
-
Patent Agency Ranking
公开(公告)号：CN115829011A
公开(公告)日：2023-03-21
申请号：CN202211153969.3
申请日：2022-09-21
Applicant: 太原理工大学
IPC: G06N3/049 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于时空解构的多传感器长时序列预测方法及模型，属于深度学习技术领域；解决了多源时间序列的长时间预测准确性的问题；包括如下步骤：输入传感器历史数据；对传感器历史数据的时间序列的时序信息进行捕获：使用基于自相关机制的时序模块处理时间序列，得到时间序列内隐含的时序关系；对传感器历史数据的时间序列的空间信息进行捕获：使用基于卷积和自注意力的空间模块处理消除时序部分后的时间序列，得到多个不同变量之间的隐含关系；聚合得到长时序列预测：将时序部分预测数据和空间部分预测数据进行求和运算，即可得到最终的预测数据；本发明应用于多传感器数据预测。
-
公开(公告)号：CN117113843B
公开(公告)日：2024-06-07
申请号：CN202311098405.9
申请日：2023-08-29
Applicant: 太原理工大学
IPC: G06F30/27 , G06F18/23213 , G06F18/241 , G06N3/048 , G06F119/04
Abstract: 本发明提供一种航空发动机剩余寿命预测方法，属于航空发动机剩余寿命预测技术领域；所要解决的技术问题为：提供一种改进的航空发动机剩余寿命预测方法；解决该技术问题采用的技术方案为：将原始时间序列降采样并分解为奇、偶序列，降低了序列的冗余性；设计空间模块融合多传感器数据，在每一个时间步强化重要特征；时间模块由时序关系提取和时序模式增强子模块组成，时序关系提取针对奇、偶序列分支分别捕获局部和全局时序依赖关系，时序模式增强允许两个子序列间进行信息交换，弥补潜在的信息损失；设计动态感知模块，获取时序数据的动态演化关系；利用MLP进行预测；本发明应用于航空发动机剩余寿命预测。
-
公开(公告)号：CN116050630A
公开(公告)日：2023-05-02
申请号：CN202310078182.3
申请日：2023-02-08
Applicant: 太原理工大学
IPC: G06Q10/04 , G06F30/27 , G06N3/084 , G06F30/28 , G06N3/0442 , G06N3/0464 , G06F113/08 , G06F119/14
Abstract: 本发明提供了一种机理与数据联合驱动的湖泊多深度温度预测方法及模型，属于湖泊深度温度预测技术领域；解决了现有技术不能充分挖掘深度序列关系的依赖性的问题；包括如下步骤：将气象特征数据输入物理模型，经过物理模型模拟，得到基于物理模型的预测数据；将气象特征数据与基于物理模型的预测数据进行拼接，一起作为数据驱动模型的特征输入，再进行数据预处理，得到时序特征矩阵和深度序列特征矩阵，分别进行时序信息捕获以及深度序列信息捕获，得到时间序列预测数据和深度序列预测数据；将基于物理模型的预测数据、时间序列预测数据、深度序列预测数据输入全连接层预测t时刻不同深度处的湖泊温度；本发明应用于湖泊深度温度预测。
-
公开(公告)号：CN118071225A
公开(公告)日：2024-05-24
申请号：CN202410171061.8
申请日：2024-02-06
Applicant: 西北电子装备技术研究所(中国电子科技集团公司第二研究所) , 太原理工大学
IPC: G06Q10/083 , G06Q10/087 , G06N3/0455 , G06N3/092 , G06N3/086
Abstract: 本发明提供一种基于深度强化学习的故障容忍的仓储物流调度方法，属于仓储物流调度技术领域；所要解决的技术问题为：提供一种基于深度强化学习的故障容忍的仓储物流调度方法的改进；解决该技术问题采用的技术方案为：构建集群AMR物流环境，建立强化学习模型及其优化目标；设计资源分配网络，将全局状态成对编码后使用监督学习方法训练该网络至收敛；将多智能体决策建模为序列单智能体决策，结合DQN算法和进化算法训练移动策略网络；将训练好的资源分配网络和移动策略网络部署到每个AMR；资源分配网络以可变频率动态分配任务，AMR按照优先级顺序基于移动策略网络进行动作决策，分布式协作完成货物搬运；本发明应用于仓储物流调度。
-
公开(公告)号：CN117113843A
公开(公告)日：2023-11-24
申请号：CN202311098405.9
申请日：2023-08-29
Applicant: 太原理工大学
IPC: G06F30/27 , G06F18/23213 , G06F18/241 , G06N3/048 , G06F119/04
Abstract: 本发明提供一种航空发动机剩余寿命预测方法，属于航空发动机剩余寿命预测技术领域；所要解决的技术问题为：提供一种改进的航空发动机剩余寿命预测方法；解决该技术问题采用的技术方案为：将原始时间序列降采样并分解为奇、偶序列，降低了序列的冗余性；设计空间模块融合多传感器数据，在每一个时间步强化重要特征；时间模块由时序关系提取和时序模式增强子模块组成，时序关系提取针对奇、偶序列分支分别捕获局部和全局时序依赖关系，时序模式增强允许两个子序列间进行信息交换，弥补潜在的信息损失；设计动态感知模块，获取时序数据的动态演化关系；利用MLP进行预测；本发明应用于航空发动机剩余寿命预测。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
