本发明公开了基于机器学习的金属制品质量预测方法及系统，方法包括：采集金属制品生产数据、数据预处理、构建金属制品质量预测模型、模型性能提升和金属制品质量预测报告生成。本发明属于质量管理技术领域，具体是指基于机器学习的金属制品质量预测方法及系统，本方案采用分析质量预测问题，采用基于两阶段不平衡学习的质量预测模型，进行关键过程变量选择和质量不平衡预测优化，重视有缺陷产品被误归类的情况，通过迭代公式进行预测函数更新；采用进行模型微调，微调时冻结预训练模型下层，计算微调的目标损失，明确微调期间模型参数更新规则，通过注意力卷积神经网络将源域预训练模型的特征和权重转移到目标域。
📄 2024113431466
📂 G16C60_00
👤 龙岩学院
📅 2024-09-25
本发明公开了一种基于XGBoost特征提取的压缩机故障诊断方法。首先，根据故障数据与故障类型自定义XGBoost算法的损失函数，迭代构建故障分裂树；其次，提取样本在故障树中的叶子结点位置索引向量并进行特征编码重构，得到隐含故障信息的智能化表征；然后，基于该表征矩阵，使用SVM、神经网络算法分别建立故障预测模型，实现多故障模式的预测诊断。这种方法的特点是，能够充分挖掘数据中隐含故障特征信息，使故障诊断预测的精度更高。
📄 2019101004661
📂 G06F18_2113
👤 浙江工业大学
📅 2019-01-31
本发明公开了一种改进贝叶斯优化的LightGBM故障诊断方法，包括以下步骤：1)确定LightGBM模型需要优化的超参数及超参数取值范围；2)对贝叶斯优化算法进行改进，得到改进贝叶斯优化算法GP‑ProbHedge；3)使用步骤2)的方法结合五折交叉验证方式选取故障诊断模型最优超参数组合；4)构建改进贝叶斯优化LightGBM故障诊断模型，并给出模型迭代过程及优化结果。通过采用上述技术，与现有技术相比，本发明提出一种改进的贝叶斯优化算法对故障模型的参数进行优化选取，通过对传统贝叶斯优化算法的采集函数及其高斯过程的协方差函数进行改进，同时提出改进贝叶斯优化LightGBM故障诊断方法，对设备的故障进行诊断预测。
📄 2019105321393
📂 G06Q10_04
👤 浙江工业大学
📅 2019-06-19
本发明公开了一种基于机器学习的单矿物分选装置，属于矿物分选技术领域，总控中心上设置有图像处理器，工作腔包括多个自动控制阀门以及滑动腔，多个自动控制阀门设置在工作腔的底端并向下凹陷，滑动腔包括轨道以及活板门，推料板设置在轨道上，推料板上设置有摄像头，摄像头能够采集自动控制阀门上矿物的图像信息，并将图像信息传送至总控中心，总控中心通过图像处理器分析图像信息上的颜色比例，并将控制信号传输至自动控制阀门，自动控制阀门动作，完成不同颜色矿物的分选；本发明通过摄像头以及图像处理器分析不同区域的颜色比例，将颜色占比多的放至储料腔二内，并利用回料器一和回料器二重复进行颜色占比分析，提高分选矿物的效率。
📄 2023100262198
📂 B07C5_342
👤 内蒙古工业大学
📅 2023-01-09
一种基于机器学习与回溯法结合的模具组合分配方法属于信息技术领域，首先依据预制构件生产企业的历史日生产订单数据，对单日的生产订单按照构件类型的生产件数进行分组，运用0‑1背包思想对每个分组构建组合分配模型，并通过回溯法找到充分利用模台面积的理论最佳适配组合结果，运用改进的BL定位算法模拟模具在模台上的摆放过程，通过回溯法寻找剩下的构件中的最佳适配组合结果，得到该单日的生产订单中的最佳适配组合集合。将所有的订单进行训练，得到一个最佳适配集合库，运用Apriori算法对得到的数据集进行训练，设置最小支持度，得到频繁项集里所包含的关联规则。减少了换模时间，增加了模台的利用率。
📄 2020102829679
📂 G06Q10_0631
👤 本溪钢铁(集团)信息自动化有限责任公司
📅 2020-04-10
本发明公开了一种基于Stacking多分类器融合的黏结漏钢预报方法，属于钢铁冶金领域，包括：构建真伪黏结漏钢样本库，提取真伪黏结漏钢温度特征数据与时序温度速率，构建真伪黏结漏钢样本特征向量，真伪黏结漏钢特征数据预处理，利用随机森林，K近邻分类，支持向量分类为初级分类器，逻辑回归为次级分类器构建Stacking多分类器融合的黏结漏钢预报模型，最终通过受试者工作特征曲线确定最佳阈值点，在大于该阈值条件下判断为黏结漏钢。本发明将黏结漏钢温度特征向量与多分类器融合识别方法相结合，建立黏结漏钢的强分类识别模型，在保证黏结漏钢报出率为100％的前提下，降低误报率，提高了预报准确率。
📄 2022115710417
📂 G06F18_213
👤 东北电力大学
📅 2022-12-08
本发明涉及一种基于机器学习的群体机器人系统中分布式故障检测方法，属于机器人控制与故障检测技术领域。该方法旨在解决集中式故障检测中存在的单点故障问题，通过分布式架构实现故障检测与决策。具体包括信息采集、特征提取、机器学习分类、通信共享及投票决策等步骤，利用机器学习分类算法提高故障检测精度，并通过加权多数投票机制减少误判，增强系统鲁棒性和容错能力。该方法可广泛应用于复杂环境下的群体机器人系统故障检测和协同工作。
📄 2024115467392
📂 G06F11_07
👤 淮阴师范学院
📅 2024-11-01
一种面向不平衡钢卷外形缺陷数据的分类方法，1：针对钢卷外形缺陷图像数据组成的训练样本集，获取每一类缺陷样本子集在核映射空间上的稀疏化描述；2：在核映射空间上建立新的多类钢卷外形缺陷分类训练模型，新的多类分类训练模型由每一类钢卷外形缺陷的二分类子模型组成，3：建立新的多类钢卷外形缺陷分类预测模型；4：利用钢卷外形缺陷训练样本集和测试样本集对所有的钢卷外形缺陷二分类子模型和预测模型进行训练，获得模型的最优参数；5：将未知类别的钢卷外形缺陷样本输入到新的多类分类预测模型中，完成缺陷的自动识别。实现了小样本数据下的缺陷钢卷外形和正常钢卷外形的自动分类识别，同时解决了不平衡数据下的分类问题。
📄 2021103188703
📂 G06V10_764
👤 辽宁科技大学
📅 2021-03-25
本发明公开了一种基于随机森林的多参数零件表面粗糙度学习方法，首先，采集散斑图像的训练样本集和测试样本，采用巴特沃斯滤波器对图像进行预处理，对散斑图像进行特征研究，实现了多特征提取，找出特征与粗糙度间的单调性，并构建基于随机森林的强分类器；然后，引入互信息量学习特征权重，并结合相关性系数和随机森林学习参数建立粗糙度学习函数；最后，利用学习好的粗糙度函数对测试样本进行粗糙度测量。该方法建立了一种同时学习工艺类型与粗糙度值的新模型，突破了现有方法中对不同工艺零件需建立多个测量粗糙度值模型的局限性，为粗糙度测量提供了新思路，并通过实验验证了新算法的有效性和实用性。
📄 2018102234882
📂 G06T7_00
👤 南京信息工程大学
📅 2018-03-19
本发明公开一种基于在线简略核学习的非线性化工过程监测方法，旨在利用部分正常工况下的训练数据来实施基于核学习的非线性过程监测，并且在实施特征分析时，提取出最有利于分离正常工况数据与故障工况数据的特征成分。与传统方法相比，本发明方法首先通过不断的迭代优化筛选出部分数据向量作为具代表性的数据向量，在线计算核向量时只需利用筛选出的具代表性的数据向量即可。因此，本发明方法能够在很大程度上降低在线计算负担。其次，本发明方法为每个新测量的样本数据设计各自的投影变换向量，从而提取相应的特征成分用于计算监测指标。因此，本发明方法的特征分析与提取是在线数据驱动型的，从而提取最适合监测故障数据的特征成分。
📄 202010570549X
📂 G06K9_62
👤 宁波大学
📅 2020-06-13
柿子坊 · 知识产权运营
柿子坊知识产权运营平台