买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西华大学申请的专利一种基于KCBMA算法的风车桥系统安全评估方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120337420B 。

龙图腾网通过国家知识产权局官网在2025-08-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510825565.1，技术领域涉及：G06F30/15；该发明授权一种基于KCBMA算法的风车桥系统安全评估方法是由朱思宇;唐星;杨梦雪;李由之;宋洋;李海龙设计研发完成，并于2025-06-19向国家知识产权局提交的专利申请。

本一种基于KCBMA算法的风车桥系统安全评估方法在说明书摘要公布了：本发明公开了一种基于KCBMA算法的风车桥系统安全评估方法，涉及风车桥耦合系统技术领域，将开普勒优化算法（KOA）与多头注意力机制下的卷积神经网络‑双向长短期记忆网络（CNN‑Bi‑LSTM‑MA）进行结合，通过KOA自适应搜索CNN‑Bi‑LSTM‑MA网络的最优超参数组合，构建具有动态适应能力的神经网络预测模型；Bi‑LSTM单元通过融合风荷载激励和系统参数的随机性特征进行建模，使数值模型能够有效表征风‑车‑桥系统的随机性并预测其随机响应。本发明将风‑车‑桥结构之间的动态相互作用集成到神经网络模型中，利用KOA显著缩短建模时间，提高建模精确度，降低了计算成本，对系统响应进行了更精确的预测。

本发明授权一种基于KCBMA算法的风车桥系统安全评估方法在权利要求书中公布了：1.一种基于KCBMA算法的风车桥系统安全评估方法，其特征在于，包括以下步骤： 步骤1：采用商业有限元软件建立车桥耦合动力学模型；基于风谱采用谱解法获取风速时间序列数据样本，利用三分力系数计算出风荷载时间序列数据；通过轨道谱生成轨道不平顺激励时间序列数据样本； 步骤2：将计算得到的风荷载时间序列数据与轨道不平顺激励时间序列数据样本输入车桥耦合动力学模型进行抖振分析，求解获得风车桥随机响应时间序列数据样本； 步骤3：构建KCBMA组合模型，包含KOA模块和CNN-Bi-LSTM-MA模块，其中KOA模块用于优化CNN-Bi-LSTM-MA模块的超参数；CNN-Bi-LSTM-MA模块中的CNN子模块用于从输入的风速和轨道不平顺激励的时间序列数据样本中自适应提取空间局部特征与全局抽象表征，Bi-LSTM子模块用于捕捉时间序列数据点间长期依赖关系，实现风车桥系统随机响应的序列到序列的预测；MA子模块用于模拟风速和轨道不平顺激励时间序列数据样本中不同时间步之间的动态相关性，增强关键时间步特征的权重； 步骤4：将风速和轨道不平顺激励的时间序列数据样本作为输入数据，风车桥随机响应时间序列数据样本作为输出数据，带入KCBMA组合模型中寻找最优超参数； 步骤5：基于KOA模块寻找的最优超参数以构建精确的神经网络模型，通过输入数据和输出数据对神经网络模型进行训练；训练完成后，实现对风车桥系统随机响应的预测； 所述步骤4中对神经网络模型训练具体为： 步骤4.1：KOA模块完成超参数寻优后，基于数据集对神经网络模型进行训练，所述神经网络模型以CNN子模块特征提取网络为起点，首先对风速和轨道不平顺激励进行双通道并行处理，经过CNN卷积操作自动学习风速和轨道不平顺激励时间序列数据中的空间特征，得到的空间特征随后进入MA子模块； 步骤4.2：MA子模块包含多个并行的注意力头，每个头通过查询、键和值权重矩阵计算注意力分数，对特征序列中的不同时间步进行加权，以捕捉空间分布与时序演化特征之间的全局依赖关系，增强包括极端风速特征的重要特征，并抑制包括传感器噪声、高频振动干扰的不相关特征； 步骤4.3：经过注意力机制处理的特征被分为两部分，分别送入Bi-LSTM子模块的两个Bi-LSTM网络；第一个Bi-LSTM包含Nc层，用于捕捉输入特征的长期时间依赖关系；第二个Bi-LSTM为单层，进一步细化特征表示，对局部时间窗内的特征交互进行加权筛选，抑制短期噪声干扰，局部时间窗内的特包括突发性风速波动和轨道瞬态冲击响应；所述神经网络模型的训练过程通过梯度下降法不断迭代进行优化，使梯度值达到最小化； 步骤4.4：根据KOA模块确定的最佳超参数，以及多头注意力机制优化的关键序列特征权重确定最优神经网络模型，用所述最优神经网络模型对风车桥系统随机响应进行预测，从而获得最佳结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西华大学，其通讯地址为：610039 四川省成都市金牛区土桥金周路999号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。