公开(公告)号：CN113033914A

公开(公告)日：2021-06-25

申请号：CN202110411649.2

申请日：2021-04-16

Applicant: 哈尔滨工业大学

Inventor： 林琳 ,  刘杰 ,  郭丰 ,  郭昊 ,  吕彦诚

IPC: G06Q10/04 ,  G06F16/28 ,  G06F16/36

Abstract: 一种面向机械加工工艺知识图谱的实体和关系预测方法，它属于机械加工工艺知识图谱中实体和关系预测技术领域。本发明解决了采用目前的翻译模型对机械加工工艺中的实体和关系预测的准确率低的问题。本发明将机械加工工艺知识图谱的复杂关系延展为一对一对多，多对一对一，多对一对多，一对多对一，一对多对多，一对多对多，多对多对多类型。基于延展的复杂关系和机械加工工艺领域特性提出了实体关系双投影超平面模型来实现加工工艺实体和加工工艺关系的准确预测。本发明可以用于对机械加工工艺知识图谱中实体和关系的预测。

公开(公告)号：CN112308038A

公开(公告)日：2021-02-02

申请号：CN202011340437.1

申请日：2020-11-25

Applicant: 哈尔滨工业大学

Inventor： 林琳 ,  吕彦诚 ,  郭丰 ,  钟诗胜 ,  刘杰 ,  郭昊

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04

Abstract: 基于课堂式生成对抗网络模型的机械设备故障信号识别方法，涉及机故障信号识别领域。本发明是为了解决现有的机械设备故障信号识别方法准确率不高的问题。本发明所述的包含一个生成器和多个判别器的基于课堂式生成对抗网络模型识别机械设备故障信号的方法包括：获取机械设备正常振动信号和机械设备故障振动信号；将获取的机械设备信号划分为测试集和训练集；设置课堂式生成对抗网络结构参数；获取一个批量的样本；计算生成能力的提升值；计算每个生成器对判别器损失函数值影响权重；计算判别器的损失函数；计算生成器的损失函数；测试判别器的准确性；将机械设备振动信号输入准确率最高的分类模型得到识别结果。

公开(公告)号：CN110782083B

公开(公告)日：2020-10-27

申请号：CN201911011999.9

申请日：2019-10-23

Applicant: 哈尔滨工业大学

Inventor： 林琳 ,  刘杰 ,  郭丰 ,  吕彦诚 ,  郭昊

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

Abstract: 基于深度Croston方法的航空发动机备用需求预测方法，本发明涉及本发明涉及航空发动机备用需求预测方法。本发明的目的是为了解决现有方法对航空发动机备用需求预测准确率低的问题。过程为：一、将间断型备发需求原始观测序列转换为备发需求间隔序列和备发需求量序列；二、将机队状态表征量作为备发需求间隔序列和备发需求量序列的协变量；三、建立备发需求间隔和备发需求量预测模型；得到训练好的备发需求间隔和备发需求量预测模型；将待测样本集分别输入训练好的预测模型，得到备发需求间隔和备发需求量预测结果；四、将预测结果转换为间断型备发需求序列；五、基于预测结果预测偏离成本总损失。本发明用于航空发动机领域。