-
公开(公告)号：CN116680554A
公开(公告)日：2023-09-01
申请号：CN202310725270.8
申请日：2023-06-19
Applicant: 扬州大学
IPC: G06F18/213 , G06N5/01 , G06N3/084 , G06N3/0985 , G01M13/028
Abstract: 本发明公开了一种基于概率化元学习模型的旋转机械寿命预测方法，获取振动信号进行预处理；然后进行衰退特征提取，形成衰退特征矩阵，经无监督多源域自适应处理得到寿命指标；对寿命指标进行训练数据、测试数据的划分；对编码‑解码预测模型进行概率化重建；将概率化编码‑解码预测模型嵌入元学习场景训练中，最终得到任务间元参数，生成通用概率化元学习预测模型；进行模型微调实现跨工况预测，通过模型进行旋转机械寿命预测。对旋转机械寿命预测进行区间估计，贝叶斯近似的模型能够层层反演预测中不确定度的来源，贯通“模型参数不确定度‑预测结果的统计分布‑区间预测结果”链路，提升预测算法的可信度、可解释性。
-
公开(公告)号：CN118821525A
公开(公告)日：2024-10-22
申请号：CN202410823629.X
申请日：2024-06-25
Applicant: 扬州大学
IPC: G06F30/23 , G06F30/27 , G06F30/17 , G06N3/0455 , G06N3/084 , G06N3/09 , G06N3/088 , G06F119/08 , G06F111/06
Abstract: 本发明公开了一种基于数字孪生的电主轴热误差预测方法，构建电主轴三维结构模型，对电主轴进行有限元热分析，得到电主轴仿真的稳态温度场模型，并初步筛选热敏感点作为温度测点；采用多目标进化算法优化温度测点的布局，实时采集温升信号以及热误差；将采集的温升信号输入建立的改进Transformer模型进行预测，得到热误差的预测结果；将预测结果的热误差与采集的热误差进行对比，根据对比结果调节稳态温度场模型和改进Transformer模型；根据调节后的稳态温度场模型和改进Transformer模型进行电主轴热误差预测。通过引入数字孪生建模思想，有效结合有限元数值建模获取的先验知识与人工智能算法的高性能估计特性，提高主轴几何误差预测精度。优化温升测点布局降低测试成本。
-
Patent Agency Ranking
公开(公告)号：CN116680554B
公开(公告)日：2024-04-19
申请号：CN202310725270.8
申请日：2023-06-19
Applicant: 扬州大学
IPC: G06F18/213 , G06N5/01 , G06N3/084 , G06N3/0985 , G01M13/028
Abstract: 本发明公开了一种基于概率化元学习模型的旋转机械寿命预测方法，获取振动信号进行预处理；然后进行衰退特征提取，形成衰退特征矩阵，经无监督多源域自适应处理得到寿命指标；对寿命指标进行训练数据、测试数据的划分；对编码‑解码预测模型进行概率化重建；将概率化编码‑解码预测模型嵌入元学习场景训练中，最终得到任务间元参数，生成通用概率化元学习预测模型；进行模型微调实现跨工况预测，通过模型进行旋转机械寿命预测。对旋转机械寿命预测进行区间估计，贝叶斯近似的模型能够层层反演预测中不确定度的来源，贯通“模型参数不确定度‑预测结果的统计分布‑区间预测结果”链路，提升预测算法的可信度、可解释性。
-
公开(公告)号：CN117892623A
公开(公告)日：2024-04-16
申请号：CN202410059490.6
申请日：2024-01-16
Applicant: 扬州大学
IPC: G06F30/27 , G06F18/214 , G06N3/0464 , G06N3/084 , G06F119/04
Abstract: 本发明公开了一种高阶时空图嵌入元学习的机械装备少样本寿命预测方法，涉及机械装备剩余寿命预测技术领域，解决了固有欧式空间下基于元学习少样本预测中无法有效联合多源多通道信号进行高精度协同寿命预测的难题。要点是构建了聚合高维信号的机械退化时空图嵌入特征；随后将建立的特征输入高阶时空图嵌入元学习预测框架中完成寿命预测模型训练，该框架主要由高阶时空图嵌入卷积模块与图结构增强的元学习训练策略组成，前者作为前向计算模块在后者的反向更新训练策略内实现了高精度、变工况寿命预测。该发明有效克服了图神经网络在少样本环境下寿命预测精度低的瓶颈，首次在非欧式空间中构建了元学习少样本寿命预测模型。
-
公开(公告)号：CN118821525B
公开(公告)日：2025-03-07
申请号：CN202410823629.X
申请日：2024-06-25
Applicant: 扬州大学
IPC: G06F30/23 , G06F30/27 , G06F30/17 , G06N3/0455 , G06N3/084 , G06N3/09 , G06N3/088 , G06F119/08 , G06F111/06
Abstract: 本发明公开了一种基于数字孪生的电主轴热误差预测方法，构建电主轴三维结构模型，对电主轴进行有限元热分析，得到电主轴仿真的稳态温度场模型，并初步筛选热敏感点作为温度测点；采用多目标进化算法优化温度测点的布局，实时采集温升信号以及热误差；将采集的温升信号输入建立的改进Transformer模型进行预测，得到热误差的预测结果；将预测结果的热误差与采集的热误差进行对比，根据对比结果调节稳态温度场模型和改进Transformer模型；根据调节后的稳态温度场模型和改进Transformer模型进行电主轴热误差预测。通过引入数字孪生建模思想，有效结合有限元数值建模获取的先验知识与人工智能算法的高性能估计特性，提高主轴几何误差预测精度。优化温升测点布局降低测试成本。
-
公开(公告)号：CN118132971A
公开(公告)日：2024-06-04
申请号：CN202410391453.5
申请日：2024-04-01
Applicant: 扬州大学
IPC: G06F18/21 , G06F18/213 , G06F18/27
Abstract: 本发明公开了一种基于缺陷表征综合干扰系数的多维映射特征分析方法，所述的方法包括如下步骤：确定需要分析的相关缺陷表征；基于缺陷表征的特征因子确定与计算；多维映射特征分析方法的建立；多维映射特征分析方法的共同因子识别输出；多维映射特征分析方法的效果评估与验证。本发明可以准确分析干扰系数大的缺陷表征，提高参数决策分析中参数权重确定的准确性和客观性，从而提高决策的可靠性，大大提高机械系统的可靠性和安全性，对于实现机械系统结构的安全稳定具有重要的现实意义。
-
公开(公告)号：CN116976224A
公开(公告)日：2023-10-31
申请号：CN202311055281.6
申请日：2023-08-21
Applicant: 扬州大学
IPC: G06F30/27 , G06N3/04 , G06N3/06 , G06F30/23 , G06F119/04
Abstract: 本发明公开了一种基于莫斯贝塔尔指数神经网络模型的结构疲劳寿命预测方法，包括如下步骤：确定结构疲劳寿命的相关驱动因素；基于高维数据分析试验方法的结构运行工况分析；莫斯贝塔尔指数神经网络模型的建立；莫斯贝塔尔指数神经网络模型的优化；基于莫斯贝塔尔指数神经网络模型的结构疲劳寿命预测的求解。本发明不仅求解精度高，对于实现结构的安全稳定也具有重要的现实意义。
-
-
-
-
-
-
Search Results
7
records
(took 0.031 seconds)
