원래 이름 기록: 杭州市北京航空航天大学国际创新研究院（北京航空航天大学国际创新学院）

本发明提供了一种数据驱动的复杂流动演化分析方法及系统，通过结合正交模态分解与转移熵的策略，精准识别流场中各典型动力学模态之间的因果关系，进而挖掘对流动演化及系统性能具有显著影响的核心模态组合，最终实现复杂流场演化的分析与控制。通过系统识别模态之间的因果网络关系，能够显著降低对高维原始流场数据的依赖程度，将分析重点聚焦于动力学主导性强、交互性显著的关键模态。通过因果性量化补充了传统模态能量排序的不足，使得模态筛选不仅考虑贡献度，还兼顾动态主导性和交互作用，为复杂流动行为的定量建模和预测提供了更具针对性和可靠性的依据。

本发明提出一种考虑模型参数耦合的伺服转台非线性单环预测控制方法，该方法将PMSM数学模型中的耦合项作为新控制量的一部分，构建广义控制输入；并在PMSM模型中引入参数时变、未建模动态以及负载转矩波动等非线性项，视其为集总扰动，通过设计非线性扰动观测器实时观测扰动，将其作为干扰项完成对PMSM系统的精确建模。对此只需要设计一个控制器，同时考虑非线性耦合和约束的处理，将带有系统约束的位置控制系统优化问题构建为凸问题完成求解。本发明主要用于永磁伺服转台系统自身的扰动等非线性特性以及数学模型多变量间互相耦合的问题，也解决了传统级联控制调参与约束处理困难等问题。

一种基于数字孪生的机电系统故障诊断方法及装置，属于电数据处理技术领域。方法包括如下步骤：S01:通过分层协同建模方法构建数字孪生模型来模拟机电系统的实体特征;通过数字孪生模型生成故障信息，所述故障信息包括虚拟故障数据和结构化互连知识;S02:构建集成图神经网络以从故障信息中提取可学习的异构图拓扑表示，旨在为非线性和多样化的故障行为提供完备的表征；S03:通过双级梯度优化的多任务学习算法，对集成图神经网络进行多子任务重构和训练以生成复合故障模式的故障诊断模型。本发明提高了故障诊断精度和稳定性。

本发明涉及数据处理和预测技术领域，公开了一种时空序列预测方法、系统及计算机设备，底层通过卷积门控循环单元稳健提取空间局部与短中期动态，上层通过时空自注意力的Transformer捕捉跨站点与跨尺度的长程依赖，并在解码端稳定地输出多步结果，同时提供位置编码与注意力可视化以增强业务可解释性与可维护性。通过采用卷积门控循环单元对输入在时间维递推，保持了空间结构，避免传统RNN拉直导致的空间信息丢失，叠加时间位置编码与空间位置编码，提供时空位置编码与空间约束注意力作为可选特征，提高了物理一致性与可解释性。

本发明公开了一种考虑迟到焦虑的公交通勤者出发时刻选择行为建模方法，属于交通优化领域，包括：获取公交通勤者的出行时间和公交车的发班时间，根据所述发班时间，构建时间阈值，根据时间阈值，构建出行阶段和对应通勤情景；对不同通勤场景分别构建对应的实际成本函数；根据所述出行时间通过实际成本函数，计算得到通勤成本；根据通勤成本采用累积前景理论计算得到前景值；通过多项Logit模型根据前景值计算得到出发时刻的选择概率；根据所述出发时刻的选择概率，计算得到通勤者的各出发时刻的比例和最优出发时刻。

本发明公开了一种基于语义约束和自适应掩码的半监督语义分割方法，属于计算机视觉技术领域。对同一场景下的有标签和无标签数据集中的图像划分为K个超像素块，并采样得到一批图像对，将图像对输入教师模型得到两个预测概率图；将图像对输入学生模型，基于中间层特征和超像素划分，通过可学习掩码生成器动态生成像素级软混合掩码；采用该掩码生成混合训练图像和混合伪标签；将混合训练图像输入学生模型，计算总损失函数，优化学生模型和掩码生成器参数，再进一步更新教师模型参数；重复训练过程直至模型收敛，利用训练后的教师模型实现图像语义分割。本发明生成的混合伪标签能够更好地对齐物体边界，避免了对关键目标区域的切割和破坏。

一种基于多尺度超图和约束优化的诊断方案生成方法和系统，属于工业设备健康管理技术领域。该方法包括：接收通过自然语言表达的故障诊断查询信息，对故障诊断查询信息进行语义分析形成语义引导信息；从技术信息集合中提取任务节点，并根据任务节点间的关系构建多尺度嵌套子图；基于多尺度嵌套子图，动态重构任务路径，将任务节点表示为超图节点，构建多尺度超图；对多尺度超图进行结构感知正则化处理，得到多尺度超图；对多尺度超图进行跨尺度注意力处理，得到多尺度融合超图；基于多尺度融合超图生成故障诊断路径，并对故障诊断路径进行排序，输出诊断方案。本发明能够显著提升复杂系统故障诊断的智能化水平与决策效率。

一种基于师生协调网络的自适应故障检测方法和系统，属于机电故障检测技术领域。方法包括：将用户的故障检测需求输入到教师模型，该教师模型对该故障检测需求进行任务分解得到若干待检测任务，基于待检测任务和对应的解决方案生成结构化思维链和注意力掩码；学生模型基于该结构化思维链和该注意力掩码，生成检测代码；将运行该检测代码得到的检测反馈信息传递到该学生模型，该学生模型基于该检测反馈信息对该检测代码进行优化，直到该检测反馈信息满足该故障检测需求。本发明能够实现故障检测任务的自动化分解与结构化表达，提升检测代码生成的准确性与鲁棒性，并通过闭环反馈机制实现检测策略的自适应优化，具备良好的泛化能力与工程适用性。

本发明提供了一种基于人工智能和生物力学的可吸收生物瓣膜设计方法，包括：S1：构建瓣膜的性能需求体系；S2：构建人体原有病变结构的三维重建模型与瓣膜的参数化结构模型；S3：建立模拟瓣膜的介入力学行为的第一深度学习模型；S4：构建预测瓣膜长期使用过程中的受力与材料降解行为之间关系的第二深度学习模型；S5：将第一和第二深度学习模型嵌入强化学习框架；S6：基于S5设计结果开展仿真与实验验证，评价设计参数在S1中定义的功能需求下的适应性与可靠性。本发明将生物力学理论与人工智能算法融合，实现了可吸收生物瓣膜设计的结构参数可解释性与整体流程的自动化，为复杂结构类植介入医疗器械的智能化优化设计提供了新路径。

一种基于多层级向量库的机电耦合系统故障诊断方法及系统，属于故障诊断技术领域。机电耦合系统根据其功能组成依次分成多个层级，每个层级包括多个功能不同的单元，方法包括如下步骤：通过嵌入模型将故障模式转换成故障模式向量x；相邻的智能体A对智能体A从PHM多层级向量库检索的相应单元的故障原因进行评价并给予的奖励，还根据故障模式向量x与故障原因在PHM多层级向量库中检索单元的故障原因；通过融合器对N个智能体检索的故障原因进行融合。本发明能精确地定位机电耦合系统的故障部位。

本发明公开了一种无铅钙钛矿Si叠层结构太阳能电池及其制备方法，电池结构自下而上依次为：底电极、电子传输层ETL、光吸收层、空穴传输层HTL、顶电极；所述电子传输层ETL为N型宽禁带半导体或SiC；空穴传输层HTL为P型宽禁带半导体金刚石或GaN；所述光吸收层为P‑无铅钙钛矿+n‑Si叠层结构；所述顶电极为FTO透明玻璃电极或ITO透明玻璃电极；所述底电极为导电银浆。该太阳能电池通过“无铅钙钛矿物理气相沉积+宽禁带传输层设计+Si叠层整合”，实现环保、高效、高稳定的光伏器件。