-
公开(公告)号：CN116779156A
公开(公告)日：2023-09-19
申请号：CN202310386708.4
申请日：2023-04-07
申请人： 华中科技大学 , 华中科技大学同济医学院附属同济医院
IPC分类号： G16H50/30 , G16H50/70 , G06F18/2113 , G06F18/213 , G06N20/00
摘要： 本发明公开了一种术后指标异常预测系统构建方法、术后风险评估设备，属于术后风险智能评估技术领域。其构建方法包括：对病例中的术前和术后观测期内的检测指标变量进行特征提取，其中，对于非稳定数值变量，所提取的特征包括均值、最小值、最大值、变异系数和持续时间占比特征，持续时间占比特征包括正常占比、偏小占比和偏大占比，分别表示数值变量的数值处于正常数值区间内、处于小于正常数值的偏小数值区间内、处于大于正常数值的偏大数值区间内的时长占观测期时长的占比；筛选关键特征后训练机器学习预测模型，得到术后指标异常预测系统。通过引入更加全面的特征后再进行特征筛选，既避免使训练过于复杂，又提高了预测系统的预测性能。
-
公开(公告)号：CN113869194B
公开(公告)日：2024-08-09
申请号：CN202111131299.0
申请日：2021-09-26
申请人： 华中科技大学
IPC分类号： G06F18/2415 , G06F18/213 , G06F18/10 , G06N3/0442 , G06N3/045 , G06N3/084
摘要： 本发明公开了基于深度学习的变参数铣削加工过程信号标记方法及系统，属于数控加工中心加工过程监测技术领域。方法包括：采集铣削加工时的主轴振动信号，将该振动信号经短时傅里叶变换后得到的浅层特征输入至堆叠式双向长短时记忆网络模型，提取出深层特征，引入条件随机场与多层感知机，优化了损失函数，改善了过分类问题，建立针对时序信号截取和标记的模型评价指标，对该模型进行迭代训练，最终实现了铣削过程的时序信号的自动标记。本发明可实现对高频时序信号的自动标记，为机械设备状态监测、故障诊断以及维护等场景提供数据支撑，具有标记成本低、自动化程度高、泛化能力好等优点。
-
公开(公告)号：CN114200889B
公开(公告)日：2023-10-24
申请号：CN202111396317.8
申请日：2021-11-23
申请人： 华中科技大学
IPC分类号： G05B19/408
摘要： 本发明属于数控加工相关技术领域，其公开了一种基于深度强化学习的铣削参数优化方法，基于BPNN回归方法建立机床功耗模型，实现机床功耗状态预测的连续性，并建立加工成本模型；然后，定义了相应的状态、动作、奖励函数和约束；最后，结合机床功耗模型和加工成本模型建立仿真环境，提出BP‑TD3深度强化学习方法，求解铣削加工参数优化。如此，本发明可以利用少量数据辅助建立机床功耗仿真BPNN功耗模型，在TD3模型与仿真环境交互训练中得到深度强化学习铣削参数优化模型，从而只需较少的实验数据，稳定的训练时间，就可以解决较大任务空间的铣削参数优化问题。
-
公开(公告)号：CN113762182A
公开(公告)日：2021-12-07
申请号：CN202111068904.4
申请日：2021-09-13
申请人： 华中科技大学
摘要： 本发明公开了一种基于深度网络自适应的铣削刀具磨损状态预测方法及装置，属于数控加工中心刀具磨损状态预测技术领域。本发明以迁移学习方法为核心，首先基于源域数据集训练特征提取网络；接着，在训练好的特征提取网络后添加微调层以及多个基于多核最大均值化差异度量的自适应层，构建迁移学习模型；最后，以最小化自适应层的损失为目标，基于源域数据集和目标域数据集训练迁移学习模型。如此，本发明可以利用已有的带标签的刀具磨损监测数据(源域数据)辅助建立其他场景下的刀具磨损预测模型，从而只需较少的带标签的目标域数据，就能够解决不同直径刀具的磨损状态预测问题。
-
公开(公告)号：CN114200889A
公开(公告)日：2022-03-18
申请号：CN202111396317.8
申请日：2021-11-23
申请人： 华中科技大学
IPC分类号： G05B19/408
摘要： 本发明属于数控加工相关技术领域，其公开了一种基于深度强化学习的铣削参数优化方法，基于BPNN回归方法建立机床功耗模型，实现机床功耗状态预测的连续性，并建立加工成本模型；然后，定义了相应的状态、动作、奖励函数和约束；最后，结合机床功耗模型和加工成本模型建立仿真环境，提出BP‑TD3深度强化学习方法，求解铣削加工参数优化。如此，本发明可以利用少量数据辅助建立机床功耗仿真BPNN功耗模型，在TD3模型与仿真环境交互训练中得到深度强化学习铣削参数优化模型，从而只需较少的实验数据，稳定的训练时间，就可以解决较大任务空间的铣削参数优化问题。
-
公开(公告)号：CN113869194A
公开(公告)日：2021-12-31
申请号：CN202111131299.0
申请日：2021-09-26
申请人： 华中科技大学
摘要： 本发明公开了基于深度学习的变参数铣削加工过程信号标记方法及系统，属于数控加工中心加工过程监测技术领域。方法包括：采集铣削加工时的主轴振动信号，将该振动信号经短时傅里叶变换后得到的浅层特征输入至堆叠式双向长短时记忆网络模型，提取出深层特征，引入条件随机场与多层感知机，优化了损失函数，改善了过分类问题，建立针对时序信号截取和标记的模型评价指标，对该模型进行迭代训练，最终实现了铣削过程的时序信号的自动标记。本发明可实现对高频时序信号的自动标记，为机械设备状态监测、故障诊断以及维护等场景提供数据支撑，具有标记成本低、自动化程度高、泛化能力好等优点。
-
公开(公告)号：CN113780208A
公开(公告)日：2021-12-10
申请号：CN202111085598.5
申请日：2021-09-16
申请人： 华中科技大学
摘要： 本发明公开了一种基于对抗迁移学习的刀具磨损状态预测方法及装置，属于数控加工中心刀具磨损状态预测技术领域。本发明结合动态分布自适应以及对抗迁移学习，首先获取并处理得到带标签的源域数据集和目标域数据集；接着，构建包括特征提取网络、标签分类器、全局域判别器和局部域判别器的对抗迁移学习模型；最后，以最小化对抗迁移学习模型的损失为目标，基于源域数据集和目标域数据集训练对抗迁移学习模型。如此，本发明可以利用已有的带标签的刀具磨损监测数据(源域数据)辅助建立其他场景下的对抗迁移学习模型，从而只需较少的带标签的目标域数据，就能够解决不同直径刀具的磨损状态预测问题。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.069 秒)
