-
公开(公告)号：CN118917392A
公开(公告)日：2024-11-08
申请号：CN202410958366.3
申请日：2024-07-17
IPC分类号： G06N5/022 , G06T17/00 , G06V10/40 , G06V10/25 , G06V20/64 , G06V20/70 , G06V10/762 , G06V10/80 , G06V10/82 , G06F40/166 , G06F40/279 , G06F30/20 , G06Q50/04 , G06N3/0499 , G06N3/0475 , G06N3/045 , G06N3/08
摘要： 本发明公开了一种基于产品零部件三维模型的图形模态设计知识挖掘方法，包括如下步骤：步骤一：三维图形预处理：11)通过3D格式转换工具，将三维图形数据转换为Obj格式；12)采用PCL点云库进行均匀采样，得到各三维图形对应的三维点云集；步骤二：构建三维目标检测模块，以提取候选对象的初始潜在特征；步骤三：使用结合属性和关系感知的特征增强模块以强化始潜在特征表达；步骤四：构建轻量化预测网络，生成三维对象的文字描述；步骤五：结合文本模态知识图谱生成算法生成图形模态知识图谱。本发明基于产品零部件三维模型的图形模态设计知识挖掘方法，能够有效提高三维对象识别和关联挖掘的准确性，增强三维图形数据的语义解析能力。
-
公开(公告)号：CN118863041A
公开(公告)日：2024-10-29
申请号：CN202410958310.8
申请日：2024-07-17
IPC分类号： G06N5/022 , G06F18/23213 , G06F17/13 , G06N3/042 , G06N3/08 , G06Q10/04 , G06Q50/04 , G06F123/02
摘要： 本发明公开了一种基于动力学传播模型的知识图谱演进方法，包括如下步骤：步骤一：获取产品对象的多模态工业知识图谱，对知识图谱中的工业知识节点进行聚类；将聚类结果转换为知识事件群体，并定义知识事件群体之间的关联关系；步骤二：对于每一个知识事件群体使用动力学传播模型进行建模，采用微分方程来描述其状态随时间的变化；将知识图谱中所有知识事件群体分别转换为一个微分方程，并向知识事件群体关联关系添加演化因子；步骤三：利用动态图神经网络对知识图谱进行动态建模，并将微分方程嵌入到动态图神经网络中；步骤四：对动态图神经网络进行有偏训练，根据知识事件群体状态及演化因子的动态变化总结知识事件群体在时间序列上的变化。
-
公开(公告)号：CN118709837A
公开(公告)日：2024-09-27
申请号：CN202410785933.X
申请日：2024-06-18
申请人： 浙江大学
IPC分类号： G06Q10/04 , G06N3/0499 , G06N3/0455 , G06N3/084
摘要： 本发明公开了一种基于微调大语言模型的机械设备剩余寿命预测方法。本发明通过两阶段微调对大语言模型进行调整，然后利用调整后的大语言模型搭建机械设备剩余寿命预测模型。其中，在第一个微调阶段使用自监督学习调整模型权重，在第二个微调阶段使用监督学习调整模型权重。在两个微调阶段，冻结了大语言模型中transformer构的注意力层和前馈神经网络的参数更新。在transformer中引入了适配器技术，帮助模型从微调的数据集中学习对剩余寿命有效的新知识。本发明可以有效利用大量无标签数据快速训练模型，对标签数据的需求很小，符合工业环境中缺乏标签数据但存在海量无标签数据的情景。
-
公开(公告)号：CN118568460A
公开(公告)日：2024-08-30
申请号：CN202410481947.2
申请日：2024-04-22
申请人： 浙江大学
IPC分类号： G06F18/213 , G01H17/00 , G01M13/045 , G06F18/241 , G06F18/10 , G06N3/045 , G06N3/0464 , G06N3/048 , G06F123/02
摘要： 本发明公开了一种基于非负铰链收缩网络的复杂装备关键零件故障诊断方法。本发明首先通过传感器获取带有噪声的复杂装备零件运行过程振动信号；接着对振动信号进行数据预处理后，得到训练集和验证集的样本，由这些样本和对应的故障类型组成训练集和验证集；然后构建非负铰链收缩网络，并通过训练集和验证集对其进行训练，获得复杂装备关键零件故障诊断模型；采集零件的振动信号并进行数据预处理，得到测试集样本并输入复杂装备关键零件故障诊断模型中，从而判断零件的故障类型。本发明将小波阈值降噪方法与深度学习方法结合，提出的非负铰链收缩网络降低了噪声对特征学习的影响，提高了在噪声环境下复杂装备关键零件故障诊断的准确率。
-
公开(公告)号：CN117972548A
公开(公告)日：2024-05-03
申请号：CN202311811052.2
申请日：2023-12-26
申请人： 浙江大学
IPC分类号： G06F18/2413 , G06F18/214 , G06N3/0464 , G06N3/082 , G06F18/213 , G06F18/21 , G01M13/00
摘要： 本发明公开了一种类不均衡数据驱动的变工况装备关键部件故障诊断方法。针对机电复杂装备中的关键旋转部件，获取部件正常及故障状态运行下的振动信号及其故障类型，构建诊断数据集并对模型进行训练，从而利用训练好的故障诊断模型得到待预测的传感器数据的诊断结果。本发明考虑到当前工业界监测数据处于变工况下且类别不均衡的复杂现状，首次应用逐通道卷积生成局部特征增强权重矩阵，利用较少训练参数实现局部特征空间上的特征增强；设计并引入考虑旋转部件固有物理特征的宽域卷积核，在变工况条件下充分、稳定抓取有效特征信息，实现端到端的机电装备关键旋转部件故障诊断。本发明简洁、高效，不仅具有理论创新性，而且具有很高的实用性。
-
公开(公告)号：CN117332689A
公开(公告)日：2024-01-02
申请号：CN202311291822.5
申请日：2023-10-08
申请人： 浙江大学
摘要： 本发明公开了基于变分推断的复杂装备零部件跨域故障智能诊断方法。方法包括：建立复杂装备跨域故障智能诊断的深度神经网络和证据下界函数；将复杂装备的源域和目标域中的运行数据预处理后输入网络并计算函数，最大化函数以优化网络的权重，得到跨域故障诊断模型；采集复杂装备的待检测的运行数据并进行预处理后输入模型中，输出故障诊断结果实现复杂装备的跨域故障智能诊断。本发明方法使用变分推断方法将原始数据拆分成域特征、域数据特征和域无关特征，使用对抗训练加强域无关特征和域特征的独立性，从而为分类器提供噪音更小、更具辨识性的故障特征表示，提高了跨域故障诊断的准确性。
-
公开(公告)号：CN116910652A
公开(公告)日：2023-10-20
申请号：CN202310893683.7
申请日：2023-07-20
申请人： 浙江大学
IPC分类号： G06F18/241 , G06F18/213 , G06F18/10 , G06F18/214
摘要： 本发明公开了一种基于联邦自监督学习的设备故障诊断方法。包括：首先，服务器初始化特征提取器的权重并下发至各个客户端；接着，各客户端利用传感器采集本地设备工作时产生的信号并记为本地振动数据，进而获得无标签数据集和有标签数据集；然后，各客户端在联邦自监督学习框架下分别训练本地特征提取器，进而获得训练好的本地特征提取器；接着各客户端在监督学习框架下分别训练分类器，获得对应的客户端分类器，连接特征提取器和客户端分类器形成故障诊断模型；最后，利用客户端的故障诊断模型进行设备诊断。本发明解决了旋转设备故障数据集较小、分散并且缺乏标签难以训练出高精度诊断模型的问题。
-
公开(公告)号：CN116680985A
公开(公告)日：2023-09-01
申请号：CN202310688958.3
申请日：2023-06-12
申请人： 浙江大学
摘要： 本发明公开了一种基于多零部件关联分析的复杂产品模块划分方法。本发明步骤如下：首先，从产品全生命周期的角度建立零部件最终综合关联强度矩阵；接着通过基于无向加权网络点权排序的核心零部件筛选方法，筛选出多个核心零部件；再通过基于社区内夏普利值判定的稳定重叠社区发现算法实现复杂产品模块划分，生成多个模块划分初步方案；如果方案中各模块之间有重叠零部件，则通过遗传算法把这些重叠零部件分配到最适合的模块中，并通过比较各模块划分候选方案的模块化度量值Q来确定模块划分最终方案。本发明适合零部件数量较多的复杂产品的模块划分，能快速生成复杂产品模块划分最终方案。
-
公开(公告)号：CN109472057B
公开(公告)日：2023-05-23
申请号：CN201811203181.2
申请日：2018-10-16
申请人： 浙江大学
IPC分类号： G06F30/20 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于跨工步隐式参数记忆的产品加工质量预测装置及方法。所述装置包含数据获取模块、数据预处理模块、质量预测模型构建模块、参数优化模块、质量特征预测模块、在线更新模块；方法包括数据获取；数据预处理(样本数据异常值处理、依据产品制造过程的特征分组与排序、组内未知输入特征的处理、不平衡数据集工位步骤样本均衡随机重采样、组内特征降维)；质量预测模型构建(质量预测模型结构的构建、模型最优参数优化训练)；待测样本质量特征预测的步骤。本发明可以自动获取离散制造过程跨工步工艺过程参数之间的影响，具有较高的产品质量预测精度、灵活性、预测效率和模型重用性。
-
公开(公告)号：CN110355608B
公开(公告)日：2020-11-24
申请号：CN201910650328.0
申请日：2019-07-18
申请人： 浙江大学
摘要： 本发明公开了一种基于自注意力机制与深度学习的刀具磨损量预测方法。数控机床加工中安装测力计、加速度传感器和声传感器，采集铣削过程中的切削力、振动信号和声音信号，并测量刀具磨损量；对传感器测量数据进行预处理，与刀具磨损量标签组成训练数据；建立基于自注意力机制与深度学习的神经网络预测模型，包含自注意力层、双向长短时记忆网络和全连接网络；将训练数据输入预测模型中训练预测模型；将测试数据输入训练好的预测模型中，实时地预测刀具的磨损量。本发明充分挖掘了传感器测量数据中与刀具磨损相关的特征信息，并提取了不同时刻传感器测量数据之间的依赖关系，可以对刀具磨损量进行实时预测。
-
-
-
-
-
-
-
-
-
搜索结果
37 条记录 (耗时 0.044 秒)
