買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉北京理工大學(xué)申請(qǐng)的專利基于神經(jīng)霍克斯過(guò)程的云邊端系統(tǒng)故障預(yù)測(cè)方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116248472B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-19發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202211675019.7，技術(shù)領(lǐng)域涉及：H04L41/06；該發(fā)明授權(quán)基于神經(jīng)霍克斯過(guò)程的云邊端系統(tǒng)故障預(yù)測(cè)方法是由吳翔;李榮華;秦宏超;高玉金;金福生;王國(guó)仁設(shè)計(jì)研發(fā)完成，并于2022-12-26向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于神經(jīng)霍克斯過(guò)程的云邊端系統(tǒng)故障預(yù)測(cè)方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了基于神經(jīng)霍克斯過(guò)程的云邊端系統(tǒng)故障預(yù)測(cè)方法，將故障時(shí)間和故障類型分別以向量進(jìn)行表示，然后通過(guò)向量求和得到故障的初始表示；基于圖神經(jīng)網(wǎng)絡(luò)對(duì)故障的初始表示進(jìn)行處理，將故障類型之間的相互影響關(guān)系附加于故障向量上，從而得到最終的故障向量表示；基于霍克斯過(guò)程建立故障預(yù)測(cè)模型，并通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方法對(duì)模型參數(shù)優(yōu)化；最后，基于霍克斯故障預(yù)測(cè)模型對(duì)圖神經(jīng)網(wǎng)絡(luò)輸出的故障向量表示進(jìn)行預(yù)測(cè)。本發(fā)明采用上述方法，準(zhǔn)確建模故障類型之間相互影響關(guān)系，故障表示更加豐富和準(zhǔn)確，對(duì)未來(lái)云邊端系統(tǒng)中故障預(yù)測(cè)更加準(zhǔn)確。

本發(fā)明授權(quán)基于神經(jīng)霍克斯過(guò)程的云邊端系統(tǒng)故障預(yù)測(cè)方法在權(quán)利要求書(shū)中公布了：1.基于神經(jīng)霍克斯過(guò)程的云邊端系統(tǒng)故障預(yù)測(cè)方法，其特征在于，包括： 將故障時(shí)間和故障類型進(jìn)行向量表示，然后通過(guò)向量求和得到故障的初始表示； 基于圖神經(jīng)網(wǎng)絡(luò)對(duì)故障的初始表示進(jìn)行處理，將故障類型之間的相互影響關(guān)系附加于故障向量上，從而得到最終的故障向量表示； 基于霍克斯過(guò)程建立故障預(yù)測(cè)模型，并通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方法對(duì)模型參數(shù)優(yōu)化； 基于故障預(yù)測(cè)模型對(duì)圖神經(jīng)網(wǎng)絡(luò)輸出的故障向量表示進(jìn)行預(yù)測(cè)； 圖神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)歷史故障序列學(xué)習(xí)得到，歷史故障序列為故障的初始表示的集合； ； 式中，表示歷史故障序列；表示第個(gè)故障的初始表示； 以故障為節(jié)點(diǎn)，故障之間的關(guān)系為邊，建立全連接圖，作為圖神經(jīng)網(wǎng)絡(luò)的輸入；使用表示圖神經(jīng)網(wǎng)絡(luò)的當(dāng)前層，第層網(wǎng)絡(luò)中的節(jié)點(diǎn)的表示通過(guò)第層網(wǎng)絡(luò)節(jié)點(diǎn)的鄰域節(jié)點(diǎn)表示計(jì)算得到； ； ； ； 式中，表示節(jié)點(diǎn)的鄰居集合；表示sigmoid激活函數(shù)；表示拼接操作；是圖神經(jīng)網(wǎng)絡(luò)的參數(shù)；表示第層網(wǎng)絡(luò)節(jié)點(diǎn)的表示； 為了使得注意力機(jī)制能夠獲得節(jié)點(diǎn)穩(wěn)定的表示，多頭注意力機(jī)制被用來(lái)平行地輸出多個(gè)節(jié)點(diǎn)的表示，最終每一層的輸出為各個(gè)注意力頭輸出拼接的結(jié)果； ； 式中，表示多頭注意力中頭的個(gè)數(shù)；表示第個(gè)多頭注意力對(duì)應(yīng)的參數(shù)；拼接結(jié)果即表示圖神經(jīng)網(wǎng)絡(luò)最終輸出的故障向量表示； 通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方法對(duì)模型參數(shù)優(yōu)化，具體為采用ADAM隨機(jī)梯度下降優(yōu)化方法； 通過(guò)最大似然估計(jì)來(lái)對(duì)模型進(jìn)行訓(xùn)練；對(duì)于在一個(gè)時(shí)間窗口上的故障序列，給定條件強(qiáng)度函數(shù)，對(duì)數(shù)形式的似然為 ； 其中，n為序列中所有故障的數(shù)量； 序列是從全部數(shù)據(jù)重采樣得到的，假設(shè)采樣了M個(gè)序列，則總似然為所有序列上計(jì)算所得的似然之和，對(duì)總似然進(jìn)行最大化即可得到訓(xùn)練的目標(biāo)函數(shù)； ； 根據(jù)上述目標(biāo)函數(shù)，可以采用適當(dāng)?shù)膬?yōu)化方法對(duì)參數(shù)進(jìn)行優(yōu)化，這里優(yōu)化方法采用ADAM隨機(jī)梯度下降優(yōu)化方法,因而不需要數(shù)據(jù)服從預(yù)先假設(shè)的分布；經(jīng)過(guò)訓(xùn)練使得模型收斂后，便可使用該模型對(duì)系統(tǒng)進(jìn)行故障監(jiān)測(cè)和預(yù)判。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人北京理工大學(xué)，其通訊地址為：100081 北京市海淀區(qū)中關(guān)村南大街5號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。