-
公开(公告)号：CN117667511A
公开(公告)日：2024-03-08
申请号：CN202311609552.8
申请日：2023-11-28
申请人： 贵州大学
IPC分类号： G06F11/14 , G06F18/25 , G06N3/0442 , G06N3/0464 , G06N3/096
摘要： 本发明涉及无人机异常检测技术领域，公开了一种基于多源数据融合知识迁移的飞行数据异常检测恢复方法，包括以下步骤：步骤1，对无人机飞行数据集进行非标化处理和参数选择；步骤2，将处理后的无人机飞行数据集划分为多个源域和一个目标域；将多个源域融合为一个新的参考源域，基于参考源域对预设的检测模型进行预训练，以获得目标域的初始化参数；步骤3，使用目标域中的有限数据对检测模型进行微调，并使用目标域作为测试集进行测试；步骤4，获取检测模型的训练残差和测试残差；对检测模型的训练残差进行平滑处理，以获得异常检测阈值。本发明能够在有限样本下，达到较优的异常检测和预测恢复效果。
-
公开(公告)号：CN115712833A
公开(公告)日：2023-02-24
申请号：CN202211449025.0
申请日：2022-11-18
申请人： 贵州大学
IPC分类号： G06F18/214 , G06N3/049 , G06N3/08 , G06N3/0442
摘要： 本发明涉及无人机异常检测技术领域，公开了一种基于时空相关性的多维无人机飞行数据的无监督异常检测方法，包括以下步骤：步骤1：采集原始数据集；步骤2：预处理原始数据集，并得到标准数据集；步骤3：采用MIC相关分析法处理标准数据集，并输出得到飞行数据参数之间的关联程度值；步骤4：自标准数据集中，提取关联程度值大于第一阈值的飞行数据参数，并组成特征子集；步骤5：将特征子集作为模型输入，输入至LSTM‑AE模型中；将LSTM‑AE模型损失函数作为异常分数；步骤6：若异常分数大于第二阈值，则判定为飞行数据存在异常。本发明能够准确检测数据异常，且能够有效减少数据分析对于先验知识的依赖性，异常检测较为方便，检测有效度高。
-
公开(公告)号：CN109466051A
公开(公告)日：2019-03-15
申请号：CN201811559866.0
申请日：2018-12-19
申请人： 贵州大学
摘要： 本发明公开了一种用于泡罩成型机的泡罩成型装置，包括凸模和凹模，凸模固定连接在凸模座，凸模座固定连接在底板立柱上，凹模固定连接在凹模座上，凹模活动连接在导杆上，导杆固定连接在凸模上，凹模座上侧安装有驱动其移动的驱动机构，驱动机构和底板立柱均安装在支架上，凸模和凹模间安装有薄型传送带，薄型传送带上设置有成型通孔，支架为卧式U型结构，导杆上套接有复位弹簧，复位弹簧两端分别抵靠在凸模和凹模上。本发明通过凹凸模具以及驱动动机和薄形传送带，能够快速实现软化的PVC膜泡罩成型，的凹凸模具形状相同，采用驱动机构进行挤压成型，无需考虑气密性问题，设备加工简化，成本降低，成型效果好，废品率大大降低。
-
公开(公告)号：CN118709753A
公开(公告)日：2024-09-27
申请号：CN202410893765.6
申请日：2024-07-04
申请人： 贵州大学
IPC分类号： G06N3/098 , G06N3/0464 , G06N3/096 , G06F18/241 , G01M13/04
摘要： 发明涉及非独立同分布数据技术领域，公开了一种基于联邦学习的工业设备集群非独立同分布数据处理框架，步骤：a.各客户端进行优化的过采样，划分出源域和目标域客户端；b.中央服务器发送1‑DCNN至所有客户端；c.源域客户端对模型进行训练并传回至中央服务器；d.将源域和目标域客户端数据分别输入模型，使用MMD 度量二者在各卷积层和全连接层上的特征分布距离；e.判断模型中各层是否需要迁移；f.目标域客户端训练模型并传回至中央服务器；g.中央服务器基于FedAvg对模型进行聚合，发送至各客户端进行评估。本发明在非独立同分布数据的处理中具有优异性能，同时满足了隐私需求和算力需求，为工业设备集群数据非独立同分布问题提供了有效解决方案。
-
公开(公告)号：CN118296500B
公开(公告)日：2024-08-16
申请号：CN202410725487.3
申请日：2024-06-06
申请人： 贵州大学
IPC分类号： G06F18/2415 , G01M13/045 , G06F18/2431 , G06F18/214 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种面向变工况噪声标签场景的小样本智能故障诊断方法，设计了一种基于transformer模型改进的ETALF模型，步骤包括：将获得的轴承振动信号通过短时傅里叶变换转换为时频图；根据工况的不同将时频图划分为元训练集、元验证集和元测试集；从元训练集中随机采样构建N‑way K‑shot故障分类任务并注入噪声标签；构建ETALF模型并设计非对称损失函数用于增强模型对噪声标签惩罚能力；利用含噪声标签样本训练ETALF模型；保存元验证阶段准确率最高时的模型及参数；构建含有噪声标签的元测试任务并使用训练好的模型进行测试。本发明在工业场景不同程度噪声标签实验中均具有优异的故障诊断性能，为解决含噪声标签的轴承智能故障诊断问题提供了有效的解决方案。
-
公开(公告)号：CN117349712B
公开(公告)日：2024-03-12
申请号：CN202311642261.9
申请日：2023-12-04
申请人： 贵州大学
IPC分类号： G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/048 , G06N3/084
摘要： 本发明涉及无人机故障诊断技术领域，公开了一种基于时空特征自适应共享网络的无人机故障诊断方法，包括以下步骤：步骤1，采集无人机飞行数据；步骤2，将无人机飞行数据输入到预设的STASN网络中；所述STASN网络中设有用于提取空间特征的空间网络通道和用于提取时间特征的时间网络通道；并且，空间网络通道与时间网络通道中的特征信息经过自适应交叉共享单元（ACSU）数次共享，实现知识互补；步骤3，由STASN网络输出故障诊断结果。本发明能够从有限的样本中获取丰富的故障诊断知识，能够达到较高的诊断精准度和完善度。
-
公开(公告)号：CN117349712A
公开(公告)日：2024-01-05
申请号：CN202311642261.9
申请日：2023-12-04
申请人： 贵州大学
IPC分类号： G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/048 , G06N3/084
摘要： 本发明涉及无人机故障诊断技术领域，公开了一种基于时空特征自适应共享网络的无人机故障诊断方法，包括以下步骤：步骤1，采集无人机飞行数据；步骤2，将无人机飞行数据输入到预设的STASN网络中；所述STASN网络中设有用于提取空间特征的空间网络通道和用于提取时间特征的时间网络通道；并且，空间网络通道与时间网络通道中的特征信息经过自适应交叉共享单元（ACSU）数次共享，实现知识互补；步骤3，由STASN网络输出故障诊断结果。本发明能够从有限的样本中获取丰富的故障诊断知识，能够达到较高的诊断精准度和完善度。
-
公开(公告)号：CN115686947A
公开(公告)日：2023-02-03
申请号：CN202211449658.1
申请日：2022-11-18
申请人： 贵州大学
IPC分类号： G06F11/14 , G06N3/0442
摘要： 本发明涉及无人机异常预测技术领域，公开了一种基于LSTM‑AE的多维无人机异常飞行数据恢复预测方法，包括以下步骤：步骤1：采集初始数据集；所述初始数据集中包含有多个维度的无人机飞行参数数据；步骤2：采用Savitzky‑Golay滤波器预处理初始数据集；步骤3：采用最大信息系数方法自预处理后的初始数据集中提取得到具有相关性的参数子集；步骤4：对参数子集进行数据划分，并输入至LSTM‑AE模型中；步骤5：LSTM‑AE模型对参数子集进行重构，并输出重构数据；该重构数据对应为参数的恢复值。本发明提供的恢复方法，能够自动提取相关性参数子集并根据相关性异常参数之间的微小变化趋势，以实现高精度的异常恢复。
-
公开(公告)号：CN113094989A
公开(公告)日：2021-07-09
申请号：CN202110371138.2
申请日：2021-04-07
申请人： 贵州大学
IPC分类号： G06F30/27 , G01R31/367 , G06F119/04
摘要： 本发明公开了一种基于随机配置网络的无人机电池寿命预测方法，该方法为：以无人机用锂离子电池容量作为直接健康因子，电池放电电压作为间接健康因子，采用随机配置网络进行模型训练及参数调试，获得锂离子电池的寿命预测模型进行预测。有效避免现有数据驱动预测方法中存在的精度低、训练数据需求大等问题，充分发挥SCN自主性强、收敛速度快、网络成本低等特点，相较于其余神经网络，SCN的RMSE值最小，具有更低的训练损失和更好的网络拟合效果，是一种有效的锂电池RUL预测算法。
-
公开(公告)号：CN112418013A
公开(公告)日：2021-02-26
申请号：CN202011238989.1
申请日：2020-11-09
申请人： 贵州大学
IPC分类号： G06K9/00 , G01M13/045 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种小样本下基于元学习的复杂工况轴承故障诊断方法，包括步骤：获取轴承在不同工况下的振动信号数据，归一化处理；利用短时傅里叶变换将振动信号转换为时频图像；时频图像按照工况类别划分为元训练集、元验证集和元测试集；构建元学习故障诊断模型；在给定工况的任务分布下，设置元学习故障诊断模型的超参数；随机采样N‑way K‑shot故障分类任务，支持子集和查询子集分别进行内外两次参数优化，完成元训练和元验证；元验证阶段选出的故障识别率最高的诊断模型，在元测试集数据上进行任务采样，通过支持子集微调模型，模型查询子集上进行性能评估。本发明实现新工况下轴承的快速、准确的故障诊断，降低模型对样本数量的依赖，提高轴承故障诊断的准确性与智能化。
-
-
-
-
-
-
-
-
-
搜索结果
36 条记录 (耗时 0.038 秒)
