基于深度学习的机械领域知识图谱构建及应用

针对企业内以分散形式进行存储的设计信息难以重用的问题,融合设计模型库和文本资源库构建机械设计领域知识图谱：通过计算机视觉等技术从历史模型库及文档中获取所需领域知识,对于模型库数据,采用聚类算法减少图谱节点冗余;提出一种新的MachineALBERT预训练模型对通用ALBERT进行参数设计,将该模型作为文本的语义编码层,以Bi-LSTM作为标签预测层,加入CRF作为整体标签优化层,搭建实体识别模型;对于关系抽取模型,共享字符编码层,加入CNN层对文本关系进行分类,将非结构化信息转化为结构化三元组,经实体对齐后存储至图数据库。根据构建完成的图谱建立计算机辅助设计可视化系统,以提供实体查询与知识问答等多种功能,提升产品设计效率。     

基于ALO-BP神经网络和机械零件加工特征的工艺方案决策

针对传统制造企业工艺知识应用不充分,用于工艺方案决策过程的部分BP神经网络决策效率和准确率不高的问题,采用蚁狮优化(Ant Lion Optimizer, ALO)算法优化的BP神经网络构建了基于零件加工特征的工艺方案智能决策模型。首先对产品及工艺数据进行预处理,其次应用蚁狮优化算法对BP神经网络的初始化权值和阈值进行优化,最终基于样本数据集开展神经网络训练,进一步建立智能决策系统,并以柴油机零件为对象进行了工艺方案决策方法的应用验证。实例验证表明,采用优化的BP神经网络后,决策的速度和精度都有明显的提升;所构建决策系统是可行的,能够用于工艺方案的决策。