三重并发故障分析方法、系统、大机组设备及存储介质

    公开(公告)号:CN112232212B

    公开(公告)日:2021-09-07

    申请号:CN202011109278.4

    申请日:2020-10-16

    Abstract: 本发明属于齿轮故障分析技术领域,公开了一种三重并发故障分析方法、系统、大机组设备及存储介质,进行数据采集以及数据预处理;进行摩擦故障特征提取,包括无量纲与小波分解特征;利用机器学习方法建立故障预测模型;进行未知标签数据预测。本发明是能够有效地提取齿轮故障特征信息,提供了一种油膜涡动、摩擦与转子不平衡三重并发故障诊断方法,本发明提出在大机组摩擦故障诊断过程中提取特征困难的问题,提取出有效的特征能够良好的解决故障预测问题,并且利用双视图方法使得特征更加全面,并且通过cca方法进行特征降维,使得计算过程更加迅速。本发明在大机组摩擦故障诊断问题上取得了良好的结果,并且能够并发的准确的预测三种常见机械故障。

    生成教程片段的API标记的方法、系统及计算机设备

    公开(公告)号:CN112181389B

    公开(公告)日:2021-07-13

    申请号:CN202011041750.5

    申请日:2020-09-28

    Abstract: 本发明属于API标记技术领域,公开了一种从生成教程片段的API标记的方法、系统及计算机设备,从Stack Overflow网页进行问答对搜集,所述问答对包括:选取被接受的答案并且回答的数目要超过三个,答案的评分要超过零分,问题的声誉打分要高于一分的问答对。将搜集的问答对处理成 和 格式;进行标记模型训练,捕捉问答对及其API标记之间的语义关系;通过训练模型得到API标记。本发明能够解传统方法中手工劳动强度大以及准确性不高的技术缺陷,本发明能够有效提高生成API标记的准确性。

    一种基于X,Y双测点频谱数据的三重并发故障分析方法

    公开(公告)号:CN112232414B

    公开(公告)日:2021-06-15

    申请号:CN202011109276.5

    申请日:2020-10-16

    Abstract: 本发明属于故障检测技术领域,公开了一种基于X,Y双测点频谱数据的三重并发故障分析方法,利用多测点采集设备对设备进行采集,并对采集的数据进行稀疏化处理;对稀疏化处理的各测点的数据进行小波层次分解特征和波形特征进行融合;使用深度多视图对两个测点的DCCA网络进行特征同步处理,进行一致性特征融合,并利用端到端的多视图分类器进行处理;对未知标签转子不平衡信号进行预测,并确定故障类型。本发明提供了一种油膜涡动、转子不平衡与油膜涡动并发故障三重并发故障诊断的新方法,能够有效地提取齿轮故障特征信息,能够对转子不平衡与油膜涡动并发故障进行有效识别。

    一种基于深度学习的异质软件工作量估计方法

    公开(公告)号:CN110322222B

    公开(公告)日:2021-01-22

    申请号:CN201910588213.3

    申请日:2019-06-28

    Abstract: 本发明涉及计算机软件技术领域,更具体地,涉及一种基于深度学习的异质软件工作量估计方法,包括:步骤S1:建立数据集,包括源数据集与目标数据集;其中,目标数据集为用户自有的一个数据集;源数据集为与目标数据集存在异质性的一个数据集;步骤S2:利用源数据集与目标数据集训练自编码器;步骤S3:从自编码器提取数据特征,把数据特征输入卷积神经网络训练预测器,使用预测器生成软件工作量的预测值。卷积神经网络能自动提取数据的高层次含义,使软件工作量估计的工作更为高效,还节省了资源。

    三重并发故障分析方法、系统、大机组设备及存储介质

    公开(公告)号:CN112232212A

    公开(公告)日:2021-01-15

    申请号:CN202011109278.4

    申请日:2020-10-16

    Abstract: 本发明属于齿轮故障分析技术领域,公开了一种三重并发故障分析方法、系统、大机组设备及存储介质,进行数据采集以及数据预处理;进行摩擦故障特征提取,包括无量纲与小波分解特征;利用机器学习方法建立故障预测模型;进行未知标签数据预测。本发明是能够有效地提取齿轮故障特征信息,提供了一种油膜涡动、摩擦与转子不平衡三重并发故障诊断方法,本发明提出在大机组摩擦故障诊断过程中提取特征困难的问题,提取出有效的特征能够良好的解决故障预测问题,并且利用双视图方法使得特征更加全面,并且通过cca方法进行特征降维,使得计算过程更加迅速。本发明在大机组摩擦故障诊断问题上取得了良好的结果,并且能够并发的准确的预测三种常见机械故障。

    从生成教程片段的API标记的方法、系统及计算机设备

    公开(公告)号:CN112181389A

    公开(公告)日:2021-01-05

    申请号:CN202011041750.5

    申请日:2020-09-28

    Abstract: 本发明属于API标记技术领域,公开了一种从生成教程片段的API标记的方法、系统及计算机设备,从Stack Overflow网页进行问答对搜集,所述问答对包括:选取被接受的答案并且回答的数目要超过三个,答案的评分要超过零分,问题的声誉打分要高于一分的问答对。将搜集的问答对处理成 和 格式;进行标记模型训练,捕捉问答对及其API标记之间的语义关系;通过训练模型得到API标记。本发明能够解传统方法中手工劳动强度大以及准确性不高的技术缺陷,本发明能够有效提高生成API标记的准确性。

    基于非对称映射半耦合字典对的低分辨率行人重学习方法

    公开(公告)号:CN110032984B

    公开(公告)日:2020-01-31

    申请号:CN201910324340.2

    申请日:2019-04-22

    Abstract: 本发明属于行人重识别技术领域,公开了一种基于非对称映射半耦合字典对的低分辨率行人重学习方法,针对此场景同时学习一对非对称映射,一对高低分辨率视频的字典,以及一个投影矩阵,并利用学习到的映射和字典,将低分辨率视频的特征转化为有鉴别的高分辨率特征,这样既减少了每个视频内的变量,又弥补了高低分辨率视频间的鸿沟,使得不同行人之间的判别更清晰。本发明有效解决了识别中可能存在视频的分辨率不同,特别是根据一个行人的低分辨率视频,需要在高分辨率视频集中重新识别该行人的问题;本发明能够有效应用在分辨率不同的视频对象上,并显著提高行人重识别的准确率。

    基于半耦合鉴别字典学习的叶遮挡行人重识别方法及系统

    公开(公告)号:CN110046608A

    公开(公告)日:2019-07-23

    申请号:CN201910344098.5

    申请日:2019-04-26

    Abstract: 本发明属于图像检索技术领域,公开了一种基于半耦合鉴别字典学习的叶遮挡行人重识别方法及系统,从两个公共的行人重识别数据集上加入真实的枝叶遮挡,包括有遮挡视频和普通视频;然后分别对有遮挡视频和普通视频进行特征提取;其次是对提取出来的样本特征进行处理,引入字典学习方法,从遮挡视频和普通视频中学习投影矩阵;引入鉴别思想学习字典对。本发明学习半耦合映射矩阵和鉴别字典对,半耦合映射矩阵可以补偿遮挡视频和普通视频之间的差异,鉴别字典对可以使同一个人在不同相机中更紧凑,不同的人在不同的相机中分离;在2个公开数据集上的实验结果证明,所提出的方法具有更好的识别性能。

Patent Agency Ranking