CN112884348A - 基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法 - Google Patents
基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法 Download PDFInfo
- Publication number
- CN112884348A CN112884348A CN202110268715.5A CN202110268715A CN112884348A CN 112884348 A CN112884348 A CN 112884348A CN 202110268715 A CN202110268715 A CN 202110268715A CN 112884348 A CN112884348 A CN 112884348A
- Authority
- CN
- China
- Prior art keywords
- deviation
- node
- source
- dynamic bayesian
- bayesian network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000003999 initiator Substances 0.000 title claims description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000035945 sensitivity Effects 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 230000007704 transition Effects 0.000 claims abstract description 7
- 238000002405 diagnostic procedure Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000002360 explosive Substances 0.000 abstract description 11
- 230000000977 initiatory effect Effects 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,主要涉及航天火工品生产领域;包括步骤:S1、提取偏差源、观测特征,确定输入、输出节点;S2、分析变量间依赖关系,确定初始网络结构;S3、确定批次状态转移概率,建立动态贝叶斯网络;S4、多次随机抽样,扩充数据集;S5、构建偏差敏感度矩阵;S6、对初始网络进行结构学习和参数学习并完成测点优化;本发明改进了传统诊断方法中经济成本高、偏差源难以定位、过度依赖专家经验的不足,提高偏差诊断的精度和可靠性,减少人力物力投入。
Description
技术领域
本发明涉及航天火工品生产领域,具体是基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法。
背景技术
随着我国国民经济水平的不断提升和航天事业的发展,航天火工品的需求也不断增加,更加高效、精确的火工品生产加工成为了亟待解决的问题。由于航天火工品制造的特殊性,火工品制造过程在保证稳定的同时,在安全性、精度等方面都高于其它行业的要求。在航天火工品起爆器的生产过程中,零件制造偏差、定位偏差、装配误差以及操作缺陷等误差源都会对起爆器制造偏差造成影响,进而对整个火工品质量乃至下游产品的功能产生很大的影响,因此起爆器质量控制技术受到学界与业界的高度重视。目前,国内航天起爆器的生产加工仍然存在一些问题:
1)、起爆器的生产处于半自动化状态,部分加工步骤需要由人工来完成生产,过多依赖于主观经验,因此产品质量的一致性难以得到保证。
2)、起爆器产品有小批量、多批次的特点,生产加工过程中参数众多、数据量大、规格复杂,观测数据存在波动性、传递性和耦合性,对产品偏差的定位和识别存在一定困难。
针对上述存在的问题,我们迫切需要找到一种分析方法使得产品在生产加工中质量的一致性能够得到保障。
发明内容
本发明的目的在于解决现有技术中存在的问题,提供一种基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,它不依赖于具体偏差解析模型的偏差源诊断策略,其中应用了动态贝叶斯网络方法,可被应用于生产制造过程的偏差源诊断和质量一致性分析;改进了传统诊断方法中的经济成本高、偏差源难以定位、过度依赖专家经验的不足,提高了偏差诊断的精度和可靠性,减少了人力物力投入。
本发明为实现上述目的,通过以下技术方案实现:
基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,包括步骤:
S1、提取偏差源、观测特征,确定输入、输出节点;
S2、分析变量间依赖关系,确定初始网络结构;
S3、确定批次状态转移概率,建立动态贝叶斯网络;
S4、多次随机抽样,扩充数据集;
S5、构建偏差敏感度矩阵;
S6、对初始网络进行结构学习和参数学习并完成测点优化。
进一步的,步骤S1中,确定输入节点包括零件偏差S0、定位偏差Vf、装配偏差Vw以及其他偏差源Vq,输出节点为关键产品特征观测点S1,S2…,Sn。
进一步的,步骤S2中,用网络节点表示偏差源节点和观测节点,用有向边表示偏差源节点对观测节点的因果关系,用概率表示输入与输出之间的关系强度,给出条件概率表用来量化上层节点对下层节点的不确定性影响,由此确定模型初始结构。
进一步的,步骤S3中,定义Pi、Pj用以表示依赖关系,Pi表示前一批次成功的前提下下一批次成功的概率,Pj表示前一批次失败的前提下下一批次失败的概率,由此构建生产制造偏差的动态贝叶斯网络。
进一步的,步骤S4中,收集检测数据,基于标准正态分布N(0,σ2),对比检测数据与均值状态之间的距离大小来实现检测数据的离散化,针对小数据集D,多次随机抽样取数据子集Dn=0.5D。
进一步的,步骤S5中,定义产品质量偏差与各级偏差之间的敏感度矩阵S,描绘偏差源向量{Vu}与总成偏差{Vw}之间的线性映射关系,基于区分度指标法选取高敏感度特征参数,计算节点间的互信息大小,由此分析节点之间的依赖关系。
进一步的,步骤S6中,将先验概率与样本数据融合,推理出偏差诊断的后验概率,并依据敏感度矩阵和互信息计算结果,对初始网络进行结构学习和参数学习并完成测点优化。
进一步的,在初始网络基础上,基于条件独立性检验,对动态贝叶斯网络进行更新的算法具体工作如下:
步骤②、计算偏差源节点Fi与第j个观测节点Sj之间的互信息大小:
I(Fi;Sj)=H(Fi)-H(Fi|Sj);
步骤⑤、如果不满足条件,则k←k+1,进入下一轮学习;当步骤④中两个条件均无法满足时,增加Sj的潜在父节点集中偏差源节点数目,从步骤②开始重新检验,直到Sj与其他偏差源节点条件独立或者父节点数目达到u时,停止学习;
步骤⑥、依据以上流程依次对所有观测节点进行条件独立性检验,实现对网络结构和参数的更新,完成测点优化。
对比现有技术,本发明的有益效果在于:
1、本发明基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,旨在改进当前起爆器生产加工偏差诊断过程过度依赖专家经验的不足,具有工程意义;
2、本发明针对火工品生产小数据集、多批次的特点,基于变量间依赖关系和状态转移概率分布,设计偏差源诊断方法,其在实际运用中有更高的精度和可靠性;
3、本发明针对实际系统偏差的波动性、传递性和耦合性,基于多源信息融合分析,在实际应用中具有不依赖具体、精确的偏差解析数学模型的优势。
附图说明
附图1是本发明的偏差源诊断方法实施流程图;
附图2是本发明的动态贝叶斯网络更新流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所限定的范围。
实施例:本发明公开了一种基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,包括基于变量间依赖关系的模型建立,各参数耦合强度的表示,基于批次状态转移概率分布的构造,将质量诊断问题转化为依据历史数据和当前观测的后验估计。
具体的,如附图1所示,包括步骤:
S1、提取偏差源、观测特征,确定输入、输出节点;
S2、分析变量间依赖关系,确定初始网络结构;
S3、确定批次状态转移概率,建立动态贝叶斯网络;
S4、多次随机抽样,扩充数据集;
S5、构建偏差敏感度矩阵;
S6、对初始网络进行结构学习和参数学习并完成测点优化。
进一步的,步骤S1中,针对航天火工品起爆器生产制造过程中的工艺步骤和质量控制点,确定输入节点包括零件偏差S0、定位偏差Vf、装配偏差Vw以及其他偏差源Vq,输出节点为关键产品特征观测点S1,S2…,Sn。
进一步的,步骤S2中,用网络节点表示偏差源节点和观测节点,用有向边表示偏差源节点对观测节点的因果关系,用概率表示输入与输出之间的关系强度,给出条件概率表用来量化上层节点对下层节点的不确定性影响,由此确定模型初始结构。
进一步的,步骤S3中,确定批次间的状态转移概率,定义Pi、Pj用以表示依赖关系,Pi表示前一批次成功的前提下下一批次成功的概率,Pj表示前一批次失败的前提下下一批次失败的概率,由此构建生产制造偏差的动态贝叶斯网络。
进一步的,步骤S4中,收集检测数据,基于标准正态分布N(0,σ2),对比检测数据与均值状态之间的距离大小来实现检测数据的离散化,针对小数据集D,多次随机抽样取数据子集Dn=0.5D,以此扩充数据集的容量、增加数据的多样性,从而提高学习的精度。
进一步的,步骤S5中,定义产品质量偏差与各级偏差之间的敏感度矩阵S,描绘偏差源向量{Vu}与总成偏差{Vw}之间的线性映射关系,基于区分度指标法选取高敏感度特征参数,计算节点间的互信息大小,由此分析节点之间的依赖关系。
进一步的,步骤S6中,将先验概率与样本数据融合,推理出偏差诊断的后验概率,并依据敏感度矩阵和互信息计算结果,对初始网络进行结构学习和参数学习并完成测点优化。
进一步的,在初始网络基础上,基于条件独立性检验,对动态贝叶斯网络进行更新的算法具体工作如下:
步骤②、计算偏差源节点Fi与第j个观测节点Sj之间的互信息大小:
I(Fi;Sj)=H(Fi)-H(Fi|Sj);
步骤⑤、如果不满足条件,则k←k+1,进入下一轮学习;当步骤④中两个条件均无法满足时,增加Sj的潜在父节点集中偏差源节点数目,从步骤②开始重新检验,直到Sj与其他偏差源节点条件独立或者父节点数目达到u时,停止学习;
步骤⑥、依据以上流程依次对所有观测节点进行条件独立性检验,实现对网络结构和参数的更新,完成测点优化。
本发明改进了传统诊断方法中的经济成本高、偏差源难以定位、过度依赖专家经验的不足,提高了偏差诊断的精度和可靠性,减少了人力物力投入。
Claims (8)
1.基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,其特征在于,包括步骤:
S1、提取偏差源、观测特征,确定输入、输出节点;
S2、分析变量间依赖关系,确定初始网络结构;
S3、确定批次状态转移概率,建立动态贝叶斯网络;
S4、多次随机抽样,扩充数据集;
S5、构建偏差敏感度矩阵;
S6、对初始网络进行结构学习和参数学习并完成测点优化。
2.根据权利要求1所述的基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,其特征在于:步骤S1中,确定输入节点包括零件偏差S0、定位偏差Vf、装配偏差Vw以及其他偏差源Vq,输出节点为关键产品特征观测点S1,S2…,Sn。
3.根据权利要求1所述的基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,其特征在于:步骤S2中,用网络节点表示偏差源节点和观测节点,用有向边表示偏差源节点对观测节点的因果关系,用概率表示输入与输出之间的关系强度,给出条件概率表用来量化上层节点对下层节点的不确定性影响,由此确定模型初始结构。
4.根据权利要求1所述的基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,其特征在于:步骤S3中,定义Pi、Pj用以表示依赖关系,Pi表示前一批次成功的前提下下一批次成功的概率,Pj表示前一批次失败的前提下下一批次失败的概率,由此构建生产制造偏差的动态贝叶斯网络。
5.根据权利要求1所述的基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,其特征在于:步骤S4中,收集检测数据,基于标准正态分布N(0,σ2),对比检测数据与均值状态之间的距离大小来实现检测数据的离散化,针对小数据集D,多次随机抽样取数据子集Dn=0.5D。
6.根据权利要求1所述的基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,其特征在于:步骤S5中,定义产品质量偏差与各级偏差之间的敏感度矩阵S,描绘偏差源向量{Vu}与总成偏差{Vw}之间的线性映射关系,基于区分度指标法选取高敏感度特征参数,计算节点间的互信息大小,由此分析节点之间的依赖关系。
7.根据权利要求1所述的基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,其特征在于:步骤S6中,将先验概率与样本数据融合,推理出偏差诊断的后验概率,并依据敏感度矩阵和互信息计算结果,对初始网络进行结构学习和参数学习并完成测点优化。
8.根据权利要求1所述的基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法,其特征在于:在初始网络基础上,基于条件独立性检验,对动态贝叶斯网络进行更新的算法具体工作如下:
步骤②、计算偏差源节点Fi与第j个观测节点Sj之间的互信息大小:
I(Fi;Sj)=H(Fi)-H(Fi|Sj);
步骤⑤、如果不满足条件,则k←k+1,进入下一轮学习;当步骤④中两个条件均无法满足时,增加Sj的潜在父节点集中偏差源节点数目,从步骤②开始重新检验,直到Sj与其他偏差源节点条件独立或者父节点数目达到u时,停止学习;
步骤⑥、依据以上流程依次对所有观测节点进行条件独立性检验,实现对网络结构和参数的更新,完成测点优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268715.5A CN112884348B (zh) | 2021-03-12 | 2021-03-12 | 基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268715.5A CN112884348B (zh) | 2021-03-12 | 2021-03-12 | 基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884348A true CN112884348A (zh) | 2021-06-01 |
CN112884348B CN112884348B (zh) | 2023-09-15 |
Family
ID=76041179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110268715.5A Active CN112884348B (zh) | 2021-03-12 | 2021-03-12 | 基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884348B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393146A (zh) * | 2021-06-25 | 2021-09-14 | 重庆大学 | 基于贝叶斯网络的多阶段柔性测试系统可靠性评估方法 |
CN115016421A (zh) * | 2022-07-27 | 2022-09-06 | 重庆大学 | 航天火工品装压药柔性制造的批间质量控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180100912A1 (en) * | 2016-10-10 | 2018-04-12 | Utilidata, Inc. | Systems and methods for system measurements integrity determination |
CN108134680A (zh) * | 2016-11-30 | 2018-06-08 | 中国科学院沈阳自动化研究所 | 一种基于贝叶斯网络的系统测量节点优化配置方法 |
CN111368888A (zh) * | 2020-02-25 | 2020-07-03 | 重庆邮电大学 | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 |
-
2021
- 2021-03-12 CN CN202110268715.5A patent/CN112884348B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180100912A1 (en) * | 2016-10-10 | 2018-04-12 | Utilidata, Inc. | Systems and methods for system measurements integrity determination |
CN108134680A (zh) * | 2016-11-30 | 2018-06-08 | 中国科学院沈阳自动化研究所 | 一种基于贝叶斯网络的系统测量节点优化配置方法 |
CN111368888A (zh) * | 2020-02-25 | 2020-07-03 | 重庆邮电大学 | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
刘银华等: "基于小数据集贝叶斯网络建模的偏差源诊断方法", 《上海交通大学学报》, vol. 46, no. 5, pages 701 - 705 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393146A (zh) * | 2021-06-25 | 2021-09-14 | 重庆大学 | 基于贝叶斯网络的多阶段柔性测试系统可靠性评估方法 |
CN113393146B (zh) * | 2021-06-25 | 2022-12-20 | 重庆大学 | 基于贝叶斯网络的多阶段柔性测试系统可靠性评估方法 |
CN115016421A (zh) * | 2022-07-27 | 2022-09-06 | 重庆大学 | 航天火工品装压药柔性制造的批间质量控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112884348B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875771B (zh) | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 | |
CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
WO2011034805A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
TWI584134B (zh) | 製程異因分析方法與製程異因分析系統 | |
CN112560919A (zh) | 基于一维可解释卷积神经网络的人机不同步识别方法 | |
CN108491931B (zh) | 一种基于机器学习提高无损检测精度的方法 | |
CN101110106A (zh) | 结合粗糙集和神经网络的多传感器信息融合方法 | |
CN112559963A (zh) | 一种配电网动态参数辨识方法及装置 | |
CN114722973A (zh) | 一种钢管热处理的缺陷检测方法及系统 | |
CN112884348A (zh) | 基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN115082422A (zh) | 一种基于图像的建筑钢管横截面尺寸测量方法 | |
CN109753634B (zh) | 基于历史数据稳态值的动态系统增益估计方法 | |
CN110717602A (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
CN116894180B (zh) | 一种基于异构图注意力网络的产品制造质量预测方法 | |
CN117556366A (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN117056865A (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
CN116756682A (zh) | 一种震电磁多场数据融合方法及系统 | |
CN111340975A (zh) | 异常数据特征提取方法、装置、设备及存储介质 | |
CN114021469B (zh) | 一种基于混合序列网络进行一段炉过程监测的方法 | |
CN114067215B (zh) | 基于节点注意力机制图神经网络的遥感图像检索方法 | |
CN113139332A (zh) | 一种自动化模型构建方法、装置及设备 | |
CN117494584B (zh) | 基于神经网络对抗迁移学习的高维可靠性设计优化方法 | |
CN111310907A (zh) | 一种微波组件故障诊断方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |