-
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
Applicant: 浙江大学
Abstract: 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
Applicant: 浙江大学
IPC: G06F30/20 , G06N3/0464 , G06N3/08
Abstract: 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：CN111931625B
公开(公告)日：2022-07-19
申请号：CN202010767530.4
申请日：2020-08-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法。在机械产品关键零件上安装加速度传感器，通过加速度传感器记录零件的振动信号数据；对振动信号数据进行预处理得到训练数据样本；建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型；在训练预测模型的过程中采用一种非对称的损失函数进行训练，在零件实际使用过程中获取测试数据，并将测试数据输入训练好的预测模型中实时预测零件的剩余使用寿命。本发明采用非对称损失函数训练预测模型，当出现预测寿命大于真实寿命这种危险情况时，加大惩罚力度，从而使预测模型在工业生产的应用中更加安全。
-
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
Applicant: 浙江大学
Abstract: 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。
-
公开(公告)号：CN111241295A
公开(公告)日：2020-06-05
申请号：CN202010006001.2
申请日：2020-01-03
Applicant: 浙江大学 , 武汉数字化设计与制造创新中心有限公司
IPC: G06F16/36 , G06F40/211 , G06F40/242 , G06F40/295 , G06F40/30
Abstract: 本发明公开了一种基于语义句法交互网络的知识图谱关系数据抽取方法。主要步骤为：收集复杂装备设计过程的设计文档，由设计文档的文本数据组建设计文档语料库；针对设计文档文本数据进行文本预处理；建立基于语义句法多轮交互深度神经网络的关系抽取模型；将预处理后的文本数据与关系类型标签输入到关系抽取模型中进行离线训练；对待预测实体关系的文本数据进行预处理后，输入至训练好的关系抽取模型中，获得预测的关系类别。本发明通过语义信息与句法信息的多轮交互，提高语义信息与句法信息的利用率，实现动态、深层次地挖掘对知识图谱关系数据抽取有利的语义信息与句法信息，提高了模型的灵活性、泛化性以及准确性。
-
Patent Agency Ranking
公开(公告)号：CN112257767A
公开(公告)日：2021-01-22
申请号：CN202011110292.6
申请日：2020-10-16
Applicant: 浙江大学
Abstract: 本发明公开了一种针对类不均衡数据的产品关键零部件状态分类方法。获取辅助训练集和源训练集并预处理；对源训练集中的多数类样本N次欠采样处理，获得N个相对均衡的子数据集；用N个子数据集并行训练N个SVM分类器，投票法选择获得最终预测结果；取出最终预测结果中的少数类辅助数据并添加到源训练集；构建深度学习分类模型用重构后的源训练集监督训练；再对待预测的传感器数据进行检测处理。本发明充分利用了源训练集中有标签数据和辅助数据集中未标注的数据，利用弱监督学习方法处理，有利于降低类不均衡数据的不均衡比例，提高分类模型的预测效果。
-
公开(公告)号：CN111931625A
公开(公告)日：2020-11-13
申请号：CN202010767530.4
申请日：2020-08-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法。在机械产品关键零件上安装加速度传感器，通过加速度传感器记录零件的振动信号数据；对振动信号数据进行预处理得到训练数据样本；建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型；在训练预测模型的过程中采用一种非对称的损失函数进行训练，在零件实际使用过程中获取测试数据，并将测试数据输入训练好的预测模型中实时预测零件的剩余使用寿命。本发明采用非对称损失函数训练预测模型，当出现预测寿命大于真实寿命这种危险情况时，加大惩罚力度，从而使预测模型在工业生产的应用中更加安全。
-
公开(公告)号：CN111177394A
公开(公告)日：2020-05-19
申请号：CN202010006790.X
申请日：2020-01-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于句法注意力神经网络的知识图谱关系数据分类方法。主要步骤为：收集复杂装备设计过程的设计文档，由设计文档的文本数据组建设计文档语料库；针对收集到的设计文档的文本数据进行文本预处理；建立基于句法注意力深度神经网络的实体关系分类模型；预处理结果与类别标签输入到模型中进行离线训练；待预测文本数据输入至训练好的基于句法注意力深度神经网络中，预测获得文本数据中关键词文本对应的关系类别结果。本发明自适应地结合语义信息与句法信息，有效提高设计文档文本数据的实体关系类别预测的准确率，还能够推断出模型在预测过程中对语句的依存句法树的哪一部分路径具有更高的权重。
-
公开(公告)号：CN110355608A
公开(公告)日：2019-10-22
申请号：CN201910650328.0
申请日：2019-07-18
Applicant: 浙江大学
Abstract: 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。
-
公开(公告)号：CN109822399A
公开(公告)日：2019-05-31
申请号：CN201910277738.5
申请日：2019-04-08
Applicant: 浙江大学
Abstract: 本发明公开了一种基于并行深度神经网络的数控机床刀具磨损状态预测方法。在数控机床工作台及夹具上安装测力计、加速度传感器和声传感器；进行铣削加工实验，采集铣削加工过程的切削力、振动和声信号，得到多传感器数据，并采集刀具的磨损量；预处理得到训练数据和待测试数据；建立并行深度神经网络模型；将处理好的训练数据及刀具磨损量标签输入到并行深度神经网络中离线训练模型；将待测试多传感器数据传入训练好的模型中，在线实时预测刀具的磨损量。本发明方法充分挖掘了数控机床刀具加工过程的隐含特征，可以对刀具磨损量进行实时预测。且该方法适用性广泛，可以广泛应用于各种数控机床中。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.027 seconds)
