-
公开(公告)号：CN112966355A
公开(公告)日：2021-06-15
申请号：CN202110339632.0
申请日：2021-03-30
申请人： 西安电子科技大学
IPC分类号： G06F30/17 , G06F30/27 , G06F119/04
摘要： 本发明公开了一种基于深度学习的盾构机刀具剩余使用寿命预测方法，旨在解决剩余使用寿命预测的准确性问题，该方法实现的步骤为：1、构建卷积神经网络；2、构建长短时记忆网络；3、生成盾构机刀具全生命周期的数据集；4、利用主成分分析法对数据集进行降维处理；5、生成盾构机刀具全生命周期的标签数据集；6、生成训练集；7、训练卷积神经网络；8、预测盾构机刀具的健康指标；9、生成健康指标序列数据集；10、训练长短时记忆网络；11、预测盾构机刀具剩余使用寿命。本发明具有在复杂工况下盾构机刀具剩余使用寿命预测准确性高的优点。
-
公开(公告)号：CN113435258A
公开(公告)日：2021-09-24
申请号：CN202110628157.9
申请日：2021-06-06
申请人： 西安电子科技大学
摘要： 本发明属于机械技术领域，公开了一种转子系统异常智能检测方法、系统、计算机设备、终端，所述转子系统异常智能检测方法包括：采集转子系统支承界面相互垂直方向的电涡流位移信号；利用谐波窗分解提取转子系统振动信号的特定频率成分，构建转子系统的合成轴心轨迹，将合成轴心轨迹数据转换为一个数值方阵；将所述数值方阵作为生成对抗网络模型的输入，通过正常运行状态下的数据对生成对抗网络进行训练，利用待检测数据输入网络后所得的损失作为异常指标实现转子系统运行异常检测。本发明利用全息谱技术，能够更全面地反映转子系统转频、分倍频以及高倍频故障相关信息，使得转子系统异常检测范围更全面，能够有效避免现有技术中漏检率高的问题。
-
公开(公告)号：CN117764586A
公开(公告)日：2024-03-26
申请号：CN202410045021.9
申请日：2024-01-12
申请人： 西安电子科技大学 , 桂林长海发展有限责任公司
摘要： 基于区块链优先拍卖共识的可信电磁频谱管控方法、系统、设备及介质，其方法引入区块链方法以解决伪造电磁频谱感知攻击场景下可信动态编队电磁频谱资源分配问题，并在电磁频谱定价与交易拍卖过程中充分考虑编队用频设备优先级、编队任务类型以及量化后的电磁环境信息等相关电磁信息，进而引导电磁频谱交易过程更符合实际编队电磁环境，最终基于区块链技术实现伪电磁频谱攻击下的编队电磁频谱效率最大化；其系统、设备及介质基于系统架构、电磁频谱感知和电磁频谱交易三个方面构建的基于区块链优先拍卖共识的可信电磁频谱管理策略进行可信电磁频谱管控，具有安全可信和去中心化的优点，解决了编队电磁频谱管理的安全性问题。
-
公开(公告)号：CN110119551B
公开(公告)日：2022-12-06
申请号：CN201910353374.4
申请日：2019-04-29
申请人： 西安电子科技大学
摘要： 提供了一种机器学习的盾构机刀具磨损退化关联特征分析方法，用于解决现有技术中存在的适用范围较窄的技术问题，同时提高对刀具健康状态监测和寿命预测的准确率，实现步骤包括：获取微风化地层下的原始特征数据集data3；获取数据资源集Data；构建LightGBM特征排序模型；获取重要特征子集Fea；对重要特征子集Fea进行离散化；对离散化的重要特征子集data_lsh进行关联规则挖掘；获取盾构机刀具磨损退化关联特征。本发明充分考虑所有采集的数据对盾构机刀具磨损的影响，适用范围广且准确率高。
-
公开(公告)号：CN112966355B
公开(公告)日：2023-01-06
申请号：CN202110339632.0
申请日：2021-03-30
申请人： 西安电子科技大学
IPC分类号： G06F30/17 , G06F30/27 , G06F119/04
摘要： 本发明公开了一种基于深度学习的盾构机刀具剩余使用寿命预测方法，旨在解决剩余使用寿命预测的准确性问题，该方法实现的步骤为：1、构建卷积神经网络；2、构建长短时记忆网络；3、生成盾构机刀具全生命周期的数据集；4、利用主成分分析法对数据集进行降维处理；5、生成盾构机刀具全生命周期的标签数据集；6、生成训练集；7、训练卷积神经网络；8、预测盾构机刀具的健康指标；9、生成健康指标序列数据集；10、训练长短时记忆网络；11、预测盾构机刀具剩余使用寿命。本发明具有在复杂工况下盾构机刀具剩余使用寿命预测准确性高的优点。
-
公开(公告)号：CN109376801B
公开(公告)日：2021-07-20
申请号：CN201811468877.8
申请日：2018-12-04
申请人： 西安电子科技大学
摘要： 本发明提出了一种基于集成深度神经网络的风力发电机叶片结冰诊断方法，主要解决现有技术检测风力发电机叶片故障情况时需要额外加装设备，成本高、检测准确性低的问题。其实现步骤包括：1)采集风力发电机运行的历史数据；2)对历史数据进行预处理；3)对预处理后的历史数据进行数据平衡处理，获得训练数据集；4)构建集成深度神经网络并利用训练数据集对其进行训练；5)对新流入风力发电机的实时数据进行数据预处理；6)将经过预处理后的实时数据输入训练后的集成深度神经网络模型，进行叶片结冰状态的诊断。本发明在不引入其他测量设备的前提下，实现对风力发电机叶片结冰的实时监测，并大大提高了风力发电机叶片结冰诊断的准确率。
-
公开(公告)号：CN109376801A
公开(公告)日：2019-02-22
申请号：CN201811468877.8
申请日：2018-12-04
申请人： 西安电子科技大学
摘要： 本发明提出了一种基于集成深度神经网络的风力发电机叶片结冰诊断方法，主要解决现有技术检测风力发电机叶片故障情况时需要额外加装设备，成本高、检测准确性低的问题。其实现步骤包括：1)采集风力发电机运行的历史数据；2)对历史数据进行预处理；3)对预处理后的历史数据进行数据平衡处理，获得训练数据集；4)构建集成深度神经网络并利用训练数据集对其进行训练；5)对新流入风力发电机的实时数据进行数据预处理；6)将经过预处理后的实时数据输入训练后的集成深度神经网络模型，进行叶片结冰状态的诊断。本发明在不引入其他测量设备的前提下，实现对风力发电机叶片结冰的实时监测，并大大提高了风力发电机叶片结冰诊断的准确率。
-
公开(公告)号：CN113435258B
公开(公告)日：2024-04-23
申请号：CN202110628157.9
申请日：2021-06-06
申请人： 西安电子科技大学
IPC分类号： G06F18/24 , G06F18/213 , G06F18/10 , G06F18/2411 , G06N3/0464 , G06N3/08
摘要： 本发明属于机械技术领域，公开了一种转子系统异常智能检测方法、系统、计算机设备、终端，所述转子系统异常智能检测方法包括：采集转子系统支承界面相互垂直方向的电涡流位移信号；利用谐波窗分解提取转子系统振动信号的特定频率成分，构建转子系统的合成轴心轨迹，将合成轴心轨迹数据转换为一个数值方阵；将所述数值方阵作为生成对抗网络模型的输入，通过正常运行状态下的数据对生成对抗网络进行训练，利用待检测数据输入网络后所得的损失作为异常指标实现转子系统运行异常检测。本发明利用全息谱技术，能够更全面地反映转子系统转频、分倍频以及高倍频故障相关信息，使得转子系统异常检测范围更全面，能够有效避免现有技术中漏检率高的问题。
-
公开(公告)号：CN113033102B
公开(公告)日：2023-04-07
申请号：CN202110339625.0
申请日：2021-03-30
申请人： 西安电子科技大学
IPC分类号： G06F30/27 , G06N3/0499 , G06N3/088
摘要： 本发明公开了一种基于无监督学习的复杂地层下盾构机刀盘健康评估方法，旨在提高健康评估的准确性与稳定性，实现步骤为：1、生成刀具完整退化区间的数据集；2、对数据集进行降采样；3、生成状态时域特征集；4、生成工况时域特征集；5、计算状态时域特征集的关联度矩阵；6、计算状态时域特征集的单调性矩阵和趋势性矩阵；7、筛选状态时域特征，组成数据资源集；8、构建自组织映射网络；9、用数据资源集前10％数据训练自组织映射模型；10、对数据资源集进行健康评估。本发明具有盾构机刀盘健康状态评估准确率高，结果稳定的优点。
-
公开(公告)号：CN113033102A
公开(公告)日：2021-06-25
申请号：CN202110339625.0
申请日：2021-03-30
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于无监督学习的复杂地层下盾构机刀盘健康评估方法，旨在提高健康评估的准确性与稳定性，实现步骤为：1、生成刀具完整退化区间的数据集；2、对数据集进行降采样；3、生成状态时域特征集；4、生成工况时域特征集；5、计算状态时域特征集的关联度矩阵；6、计算状态时域特征集的单调性矩阵和趋势性矩阵；7、筛选状态时域特征，组成数据资源集；8、构建自组织映射网络；9、用数据资源集前10％数据训练自组织映射模型；10、对数据资源集进行健康评估。本发明具有盾构机刀盘健康状态评估准确率高，结果稳定的优点。
-
-
-
-
-
-
-
-
-
搜索结果
11 条记录 (耗时 0.032 秒)