-
公开(公告)号:CN118966341A
公开(公告)日:2024-11-15
申请号:CN202411100100.1
申请日:2024-08-12
IPC分类号: G06N5/022 , G06F18/23213 , G06N3/045 , G06N3/0475 , G06N3/094 , G06Q50/04
摘要: 本发明公开了一种产品全生命周期本体表征及其体系构建方法,包括如下步骤:步骤一:层次化主题建模:11)将不同的多模态知识聚类,按照相似度分割成不同的簇,确保每个簇中的知识相似,而不同簇的知识相异;12)基于传输依赖计划关系保持聚类结果的稀疏性;13)利用上下文感知解纠缠解码器分离不同的语义粒度,并分布到不同级别的主题中,以提高层次的合理性,得到层次化主题模型;步骤二:复用本体及标准‑本体映射库:采用改进七步法对现有本体的复用以及标准的映射,构建复用本体及标准‑本体映射库;步骤三:产品全生命周期的本体体系:利用生成对抗网络生成标准化模态数据,并挂载在工业知识本体上,形成产品全生命周期的本体体系。
-
公开(公告)号:CN118966342A
公开(公告)日:2024-11-15
申请号:CN202411100117.7
申请日:2024-08-12
申请人: 重庆大学
IPC分类号: G06N5/022 , G06F40/126 , G06F40/30 , G06F18/213 , G06F18/25 , G06F16/2455 , G06N3/042 , G06N3/0464 , G06N20/00 , G06Q50/04
摘要: 本发明公开了基于多粒度语义和大模型辅助的工业知识生成式决策方法,包括如下步骤:步骤一:将业务问题编码为高维的问题语义特征;步骤二:利用实体链接对多模态工业知识图谱进行处理;基于TOP‑K路径拓展,得到不同的子图;步骤三:采用图神经网络GNN捕捉子图中不同粒度特征,得到工业知识多粒度语义特征;步骤四:利用图卷积网络GCN对工业知识多粒度语义特征与问题语义特征进行统一融合;步骤五:构建基SPARQL编写查询的三元组采样流程,提取相关的三元组数据;步骤六:将结构化的三元组数据重写为自由格式文本,构建问题‑决策对数据集;步骤七:基于问题‑决策对数据集对大语言模型进行微调,获得知识文本增强的工业知识生成式决策模型。
-
公开(公告)号:CN114565047A
公开(公告)日:2022-05-31
申请号:CN202210198589.5
申请日:2022-03-02
申请人: 重庆大学
IPC分类号: G06K9/62
摘要: 本发明涉及一种结合原型选择和局域特征赋权的改进K‑近邻方法,S100获取原始数据作为训练集,在训练集中进行原型选择,即选择具有代表性的实例作为原型;S200在完成原型选择后,在每个原型的局部区域内进行特征的赋权,使得每个原型均获得一个对应的特征权重向量;S300训练集经过原型选择和局部特征赋权后,形成一个原型集合;S400当对未知数据进行类别预测时,根据未知数据与各个原型距离分为三种情形进行预测。本方法在每个子集中为原型实例进行特征赋权,提高K‑近邻规则中加权距离对于类别的判别作用;另外由于原型实例数量比初始的训练样本显著减少,有效提高时间效率;同时分别建立三种情形的规则,避免了K值寻优问题。
-
公开(公告)号:CN113210911B
公开(公告)日:2022-04-01
申请号:CN202110617849.3
申请日:2021-06-03
申请人: 重庆大学
IPC分类号: B23K31/00
摘要: 本发明公开了一种基于图卷积网络的白车身点焊变形预测模型构建方法,包括如下步骤:1)获取焊点wi的焊接特征和三维坐标构成特征向量xi;提取每个三坐标测量点的设计三维坐标;2)经编码器编码后,分别得到焊点隐空间向量和测点隐空间向量;采用K近邻算法,构建图拓扑结构G;3)将所得图拓扑结构G进行图拉普拉斯特征向量分解并得到其频域分量,对每个频域分量所对应的特征值进行线性变换从而构建多层图卷积神经网络;每层图卷积神经网络均具有不同的频域滤波器,以自适应提取白车身每个测量点邻域内的力热动力信息;4)将每个测量点的力热动力信息分别输入深度神经网络,解码出各测量点的最终变形;5)优化模型。
-
公开(公告)号:CN114240891A
公开(公告)日:2022-03-25
申请号:CN202111554382.9
申请日:2021-12-17
申请人: 重庆大学
IPC分类号: G06T7/00 , G06T7/73 , G06K9/62 , G06N3/04 , G06N3/08 , G06F16/55 , G06F16/583 , G06V10/46 , G06V10/764 , G06V10/82
摘要: 本发明公开了一种融合知识图谱和图卷积神经网络的焊点质量识别方法,对焊点拍照,获取焊点外观图像;焊点外观图像中包括焊点及焊点的位置视觉特征;裁剪焊点外观图像,获取焊点裁剪图像;使所有的焊点裁剪图像的尺寸相同,且每一张焊点裁剪图像中仅包含一个焊点及其位置特征;将焊点裁剪图像导入细粒度网络进行特征挖掘,得到焊点的视觉特征矩阵;根据焊点质量及焊点之间的位置关系建立知识图谱,并利用图卷积神经网络对知识图谱进行特征挖掘,得到焊点的高维点式空间特征矩阵;将视觉特征矩阵与高维点式空间特征矩阵进行向量内积,得到焊点质量的分类检测结果。
-
公开(公告)号:CN113962222A
公开(公告)日:2022-01-21
申请号:CN202111260498.1
申请日:2021-10-28
申请人: 重庆大学
IPC分类号: G06F40/289 , G06F40/216 , G06F40/242 , G06Q30/08
摘要: 本发明涉及一种需求数字化在众包服务中的可用性评价方法,首先获取历史订单任务信息,并对历史订单任务信息中的任务类型文本进行分词,建立每种类型服务的域词典;其次根据每种类型服务的域词典获得每种类型服务的关键词集;再次将服务提供商的标志关键词和未完成某类型服务的任务设计关键词分别与对应的关键词集进行匹配,对应得到Keywordss和KeywordsT,计算Keywordss和KeywordsT的相似性,根据相似性值大小进行推荐,相似性值越大则表示提供商与未完成的类型服务的匹配度越高。该方法与现有匹配方法相比具有明显的时间效率和较高的匹配精度。
-
公开(公告)号:CN112883652A
公开(公告)日:2021-06-01
申请号:CN202110271257.0
申请日:2021-03-12
申请人: 重庆大学
IPC分类号: G06F30/27 , G06N3/04 , G06N3/08 , G06N3/00 , G06F113/06 , G06F119/06
摘要: 本发明公开了考虑动态尾流的风电场有功功率离线预测控制器设计方法,主要涉及风电场有功功率控制技术领域;包括步骤:S1、建立风电场全场动态尾流模型;S2、基于风电场全场动态尾流模型,通过状态方程建立风电场有功功率预测模型;S3、基于风电场全场动态尾流模型,构建风电场有功功率优化模型;S4、采用PSO算法进行风电场有功功率优化求解;S5、通过CNN‑GRNN混合网络建立风电场系统状态与偏航角优化值、轴向推力系数优化值之间的映射关系;S6、构建风电场有功功率离线预测控制器;本发明能够减少风电场有功功率模型预测控制器的在线计算时间,保证控制精度。
-
公开(公告)号:CN112507616A
公开(公告)日:2021-03-16
申请号:CN202011395291.0
申请日:2020-12-03
申请人: 重庆大学
IPC分类号: G06F30/27 , G06K9/62 , G06Q10/04 , G06Q50/06 , G06F113/06
摘要: 本发明公开了一种基于谱聚类的风电场旗舰风机优化选取方法,主要涉及风电场技术领域;包括步骤:S1、通过SCADA系统采集风电场风机的相关数据;S2、采用自编码算法进行风机数据预处理;S3、采用谱聚类算法进行不同风向下风机分簇;S4、通过不同风向的聚类结果选取旗舰风机;S5、设计在线旗舰风机容错策略;本发明从全域感知能力和安全控制能力的角度出发进行分组,然后选取旗舰风机,能够以较小的成本提高风电场的全域感知能力。
-
公开(公告)号:CN111355284A
公开(公告)日:2020-06-30
申请号:CN202010296832.8
申请日:2020-04-15
申请人: 重庆大学
IPC分类号: H02J7/00 , H01M10/44 , G01R31/396
摘要: 本发明涉及一种锂电池组层级控制的能量均衡方法,属于电池均衡技术领域。一个电池组包含有多块电池,在充放电过程中,各电池荷电状态(SOC)不一致,需要进行能量均衡使荷电状态趋于一致。在进行能量均衡的过程中,会计算出单体电池与电池组的荷电状态值和平均值,并以荷电状态平均值与各单体(组)荷电状态值的差值为判断条件,判断电池组是否需要进行能量均衡。当均衡完成时,使目标电池组各单体电池荷电状态趋于一致。在多数量电池串联的电池组中,通过对目标电池组进行分组,进行组内与组间层级能量均衡,简化均衡结构,提高均衡效率。
-
公开(公告)号:CN104617777B
公开(公告)日:2017-02-22
申请号:CN201510053163.0
申请日:2015-02-02
申请人: 重庆大学 , 重庆出入境检验检疫局检验检疫技术中心
摘要: 本发明公开了一种高增益低开关电压应力交错并联BOOST变换器和工作方法,第一电感一端连接第一MOS管漏极,所述第一电感另一端连接第二电感一端,所述第一MOS管源极连接第二MOS管源极,所述第二MOS管源极连接第三MOS管源极,所述第二MOS管漏极连接第二电感另一端,所述第二电感一端还连接变压器漏感一端,所述变压器漏感另一端连接变压器一次侧输入端,所述第三MOS管漏极连接变压器一次侧输出端和第四二极管正极,这使得更低电压等级的二极管和具有更低导通电阻的MOS管能够被选择来进一步减小开关损耗和导通损耗。
-
-
-
-
-
-
-
-
-