“周一健”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种在内叶片与外叶片之间设有倾斜槽的通风式制动盘-CN202111280118.0有效
发明人：李杰;陶龙;陈颖;顾佳玲;高紫钰;周一健 -专利权人：北京建筑大学
申请日： 2021-10-28 - 公布日： 2023-09-26 - 主分类号： F16D65/12 文献下载
摘要：本发明公开了一种在内叶片与外叶片之间设有倾斜槽的通风式制动盘，该制动盘具有两个外摩擦面、两个内表面以及多个散热叶片；两个内表面相对设置；多个散热叶片绕制动盘的周向均匀分布，并将两个内表面固定连接为一体；绕制动盘的周向方向，散热通道的一侧为压力侧，另一侧为吸力侧；每个散热叶片包括沿制动盘的径向排列且一一对应的内叶片和外叶片，外叶片位于内叶片的外周侧；在相互对应的内叶片与外叶片之间形成倾斜槽，倾斜槽用于将冷却通道内压力侧的流体引入到吸力侧以减小回流区域；倾斜槽的延伸方向与内叶片的径向中心线之间形成开口朝向制动盘外部的夹角，夹角为30°～60°。上述该制动盘能够提高泵送质量流量能力和对流散热性能。
一种在内叶片之间设有倾斜通风制动

[发明专利]一种通风式制动盘的分段式倾斜槽叶片特征参数优化方法-CN202111280119.5在审
发明人：李杰;陶龙;陈颖;顾佳玲;高紫钰;周一健 -专利权人：北京建筑大学
申请日： 2021-10-28 - 公布日： 2022-03-22 - 主分类号： G06F30/17 文献下载
摘要：本发明公开了一种通风式制动盘的分段式倾斜槽叶片特征参数优化方法，该优化方法包括：步骤一，建立制动盘的分段式倾斜槽叶片模型；确定分段式倾斜槽叶片所需优化的结构特征参数；确定优化目标及约束条件；步骤二，采用分段式倾斜槽叶片模型进行数值仿真，基于最优拉丁超立方方法进行数据采样，拟合响应面代理模型并验证代理模型的准确性；步骤三，采用NSGA‑II求解两个目标函数得到的Pareto优化解集；步骤四，通过TOPSIS决策方法得到Pareto优化解集中的最优解，并进行CFD验证。上述优化方法能够优化改进制动盘中分段式倾斜槽叶片的特征参数，提高制动盘的对流散热性能。
一种通风制动段式倾斜叶片特征参数优化方法

[发明专利]混合深度学习短期预测模型、方法、存储介质和计算设备-CN202110484041.2在审
发明人：李诗谦;狄潇;李佳鑫;周一健;王倩 -专利权人：南京工程学院
申请日： 2021-04-30 - 公布日： 2021-09-03 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种混合深度学习短期预测模型、方法、存储介质和计算设备，包括采集近期负荷数据，划分训练集和预测集。首先利用SVD算法对数据进行分解，提取有效信息；其次，采用VMD分解算法对所得残差进行二次分解，减小序列波动性和随机性；再次，将分解获得的分量分别使用LSTM和TCN模型预测；另外，在LSTM和TCN训练时，使用遗传算法寻找模型中的最优超参数；最后，将每个成分的预测值相加，得到预测结果。本发明基于电力负荷数据，依次对数据进行降维、分解，有效组合多种算法，训练LSTM和TCN模型，弥补了单模型的性能缺陷，使模型获得更高的预测精度。
混合深度学习短期预测模型方法存储介质计算设备

[发明专利]基于PCA的BP神经网络对信息安全的检测系统、方法、应用-CN202110484059.2在审
发明人：李佳鑫;周一健;李诗谦;雷镇哲;王倩 -专利权人：南京工程学院
申请日： 2021-04-30 - 公布日： 2021-07-16 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于PCA的BP神经网络对信息安全的检测系统、方法、应用，包括采集近期影响信息安全的风险因素的数据，模拟专家对评价因素集进行评价。构建训练样本和预测样本；利用SVD对训练样本和预测样本中的数据进行降维处理；用降维后的训练样本进行模糊小脑神经网络训练；将降维后预测样本带入训练好的模糊小脑神经网络，获得预测结果。同时公开了相应的系统以及应用。本发明基于影响信息安全的风险因素种类、风险等级数据，依次对数据进行降维、分解，训练神经网络，最后神经网络进行预测，大大增强了预测的准确性。
基于 pca bp 神经网络信息安全检测系统方法应用

[发明专利]一种基于TCN-BP的短期负荷预测方法、系统及设备-CN202010369892.8在审
发明人：卞海红;孙健硕;周一健 -专利权人：南京工程学院
申请日： 2020-04-30 - 公布日： 2020-07-28 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于TCN‑BP的短期负荷预测方法、系统及设备，包括如下步骤：采集负荷数据及主要气象因素数据；对数据进行预处理和灰色关联度分析；将气象因素数据分为时序性和非时序性数据，对历史时序性数据进行TCN降维处理；以降维处理后的数据和非时序性数据为输入，负荷数据为输出，代入BP神经网络进行训练直到网络收敛；利用训练完成的反传网络完成负荷预测，输出负荷预测数据。本发明基于传统的BP神经网络，融合TCN时间卷积神经网络对短期负荷进行预测，可以克服传统BP神经网络基于梯度训练的缺点，同时能够有效提高收敛速度，可有效提高短期负荷预测的精度。
一种基于 tcn bp 短期负荷预测方法系统设备