公开(公告)号：CN109978275A

公开(公告)日：2019-07-05

申请号：CN201910267181.7

申请日：2019-04-03

Applicant: 中南大学

Inventor： 刘辉 ,  陈浩林 ,  李周欣 ,  尹恒鑫 ,  张馨雨

IPC: G06Q10/04 ,  G06N3/04 ,  G01P5/00

Abstract: 本发明公开了一种混合CFD和深度学习的极端大风风速预测方法及系统，基于风速测试样本和风向测试样本模拟目标区域大气流场，从而计算各子区域各网格划分方式的响应时间和模拟误差以及各内部测风装置的多个模拟风速序列；基于相应的模拟风速序列和风速测试样本训练风速转换模型，并基于风速测试样本训练风速预测模型；从而在对目标预测地点进行实时预测时，根据目标预测地点与最近内部测风装置之间的距离关系，智能匹配风速转换模型与风速预测模型的输出值，输出目标预测地点的最适风速预测值。本发明线下训练深度学习模型，提高预测的实时性，同时融合CFD方法，模拟目标地点大气流场，匹配最适深度学习模型，提升预测系统的泛化能力。

公开(公告)号：CN111126867B

公开(公告)日：2023-06-20

申请号：CN201911376303.2

申请日：2019-12-27

Applicant: 中南大学

Inventor： 刘辉 ,  陈浩林 ,  李燕飞 ,  李周欣 ,  陈超 ,  尹恒鑫 ,  夏雨

IPC: G06Q10/0639 ,  G06Q10/20 ,  G06Q50/30 ,  G06N3/044 ,  G06N3/08

Abstract: 本发明公开了一种轨道系统多域关联的服役敏感度分析方法，包括对轨道系统进行全生命周期构成要素的分解；各个要素在安全域、性能域和环境域进行量化计算；建立数据集；建立安全域关联模型、性能域关联模型和环境域关联模型并获得多域强相关要素；根据多域强相关要素建立轨道系统全生命周期服役年限敏感度模型并得到最终的强相关要素服役年限敏感度分析结果。本发明方法能够对多域强相关要素对轨道系统的全生命周期服役年限的服役年限敏感度进行分析，而且可靠性高，实用性好。

公开(公告)号：CN111126867A

公开(公告)日：2020-05-08

申请号：CN201911376303.2

申请日：2019-12-27

Applicant: 中南大学

Inventor： 刘辉 ,  陈浩林 ,  李燕飞 ,  李周欣 ,  陈超 ,  尹恒鑫 ,  夏雨

IPC: G06Q10/06 ,  G06Q10/00 ,  G06Q50/30 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种轨道系统多域关联的服役敏感度分析方法，包括对轨道系统进行全生命周期构成要素的分解；各个要素在安全域、性能域和环境域进行量化计算；建立数据集；建立安全域关联模型、性能域关联模型和环境域关联模型并获得多域强相关要素；根据多域强相关要素建立轨道系统全生命周期服役年限敏感度模型并得到最终的强相关要素服役年限敏感度分析结果。本发明方法能够对多域强相关要素对轨道系统的全生命周期服役年限的服役年限敏感度进行分析，而且可靠性高，实用性好。

公开(公告)号：CN111027727B

公开(公告)日：2023-06-09

申请号：CN201911379311.2

申请日：2019-12-27

Applicant: 中南大学

Inventor： 刘辉 ,  陈浩林 ,  李燕飞 ,  李周欣 ,  施惠鹏 ,  于程名 ,  尹诗

IPC: G06Q10/20 ,  G06Q10/063 ,  G06Q50/30 ,  G06N3/0499 ,  G06N3/084

Abstract: 本发明公开了一种轨道系统跨域运维关键要素辨识方法，包括对轨道系统进行全生命周期构成要素的分解；对各个要素在安全域、性能域和环境域进行量化计算；建立数据集；建立安全域分析模型、性能域分析模型和环境域分析模型并获得跨域运维强相关要素；根据跨域运维强相关要素建立全生命周期运维分析模型并得到强相关要素运维关键度；根据强相关要素运维关键度建立运维关键要素辨识模型并得到最终的跨域运维关键要素。本发明能够进行轨道系统的跨域运维关键要素分析确认，而且可靠性高，实用性好。

公开(公告)号：CN109978275B

公开(公告)日：2021-03-12

申请号：CN201910267181.7

申请日：2019-04-03

Applicant: 中南大学

Inventor： 刘辉 ,  陈浩林 ,  李周欣 ,  尹恒鑫 ,  张馨雨

IPC: G06Q10/04 ,  G06N3/04 ,  G01P5/00

Abstract: 本发明公开了一种混合CFD和深度学习的极端大风风速预测方法及系统，基于风速测试样本和风向测试样本模拟目标区域大气流场，从而计算各子区域各网格划分方式的响应时间和模拟误差以及各内部测风装置的多个模拟风速序列；基于相应的模拟风速序列和风速测试样本训练风速转换模型，并基于风速测试样本训练风速预测模型；从而在对目标预测地点进行实时预测时，根据目标预测地点与最近内部测风装置之间的距离关系，智能匹配风速转换模型与风速预测模型的输出值，输出目标预测地点的最适风速预测值。本发明线下训练深度学习模型，提高预测的实时性，同时融合CFD方法，模拟目标地点大气流场，匹配最适深度学习模型，提升预测系统的泛化能力。

公开(公告)号：CN111027727A

公开(公告)日：2020-04-17

申请号：CN201911379311.2

申请日：2019-12-27

Applicant: 中南大学

Inventor： 刘辉 ,  陈浩林 ,  李燕飞 ,  李周欣 ,  施惠鹏 ,  于程名 ,  尹诗

IPC: G06Q10/00 ,  G06Q10/06 ,  G06Q50/30 ,  G06N3/08

Abstract: 本发明公开了一种轨道系统跨域运维关键要素辨识方法，包括对轨道系统进行全生命周期构成要素的分解；对各个要素在安全域、性能域和环境域进行量化计算；建立数据集；建立安全域分析模型、性能域分析模型和环境域分析模型并获得跨域运维强相关要素；根据跨域运维强相关要素建立全生命周期运维分析模型并得到强相关要素运维关键度；根据强相关要素运维关键度建立运维关键要素辨识模型并得到最终的跨域运维关键要素。本发明能够进行轨道系统的跨域运维关键要素分析确认，而且可靠性高，实用性好。