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！

龙图腾网获悉西北工业大学申请的专利基于神经网络模型的特征级深度可解释空调故障诊断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：CN120471185B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202510985877.9，技术领域涉及：G06N5/045；该发明授权基于神经网络模型的特征级深度可解释空调故障诊断方法是由贾真;姚国宇;栗志斐;李勇;王亮亮;王争东设计研发完成，并于2025-07-17向国家知识产权局提交的专利申请。

本基于神经网络模型的特征级深度可解释空调故障诊断方法在说明书摘要公布了：本发明公开了基于神经网络模型的特征级深度可解释空调故障诊断方法，属于基于特定计算模型的计算机系统技术领域，包括以下步骤：S1、构建故障训练数据；S2、基于节点分类的k近邻图构建策略将故障训练数据转换为图数据，同时得到图结构数据；S3、得到高阶节点表示，基于高阶节点表示利用损失函数进行反向传播更新网络参数，并完成最终的故障诊断任务；S4、通过三种特征级可解释方法对图神经网络的诊断过程及结果进行分析，得到图卷积层数、通道数和学习率对图卷积故障诊断网络性能的量化影响规律；S5、得到三种特征级可解释方法在冷水机组故障实验下的解释效果。解决了现有技术中无法兼顾模型的高诊断精度与深度可解释化的问题。

本发明授权基于神经网络模型的特征级深度可解释空调故障诊断方法在权利要求书中公布了：1.基于神经网络模型的特征级深度可解释空调故障诊断方法，其特征在于，包括以下步骤： S1、获取实验数据集并进行数据预处理，构建故障训练数据； S2、基于节点分类的k近邻图构建策略将故障训练数据转换为图数据，同时得到图结构数据，所述图数据用于后续图卷积故障诊断网络的特征提取、信息传递与迭代训练； S3、构建基于节点级图生成策略的图卷积故障诊断网络，由此对图结构数据中的节点信息和边的连接关系进行聚合和更新，得到高阶节点表示，基于高阶节点表示利用损失函数进行反向传播更新网络参数，并完成最终的故障诊断任务； S4、通过三种特征级可解释方法对图神经网络的诊断过程及结果进行分析，得到图卷积层数、通道数和学习率对图卷积故障诊断网络性能的量化影响规律； 所述三种特征级可解释方法包括梯度表示、重构卷积和修正反向传播； S5、构建基于三种特征级可解释方法与真实故障原因的匹配度评估标准，得到三种特征级可解释方法的匹配度，由此得到三种特征级可解释方法在冷水机组故障实验下的解释效果； 所述基于节点分类的k近邻图构建策略将故障训练数据转换为图数据，同时得到图结构数据，具体方法为： 将故障训练数据作为故障样本特征，将采集到的故障样本特征作为图结构中的节点，所述故障训练数据包括冷冻水入水温度、冷冻水出水温度、冷却水入水温度、冷却水出水温度、蒸发温度、冷凝温度、吸气过热度、制冷剂过冷度、压缩机功耗、供油压力和冷凝器温差； 通过欧氏距离分析得到节点间的成对距离，并设置k值，由此完成将故障训练数据转换为图数据，同时得到图结构数据； 所述得到三种特征级可解释方法的匹配度，具体方法为： 将所述三种特征级可解释方法均以已训练好的图神经网络模型为基础，输入故障诊断节点样本，分别生成该节点样本的特征重要性评分向量； 所述特征重要性评分向量用于表征各特征变量在本次诊断预测中对模型判断结果的重要程度； 在多个测试样本和故障类型下，统计三种特征级可解释方法的平均匹配度，并绘制匹配度图； 对于每个特征重要性评分向量，通过设定重要性阈值方式提取关键特征子集，由此构建故障类型对应的领域知识特征标签集合； 计算三种特征级可解释方法的故障类型与真实标签之间的匹配度； 将不同网络参数进行对比试验，得到不同网络参数对匹配度的影响变化趋势； 所述不同网络参数包括图卷积层数、通道数和学习率。

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北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127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”。

以上内容由龙图腾AI智能生成。