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！

龙图腾网获悉重庆理工大学申请的专利一种基于PSO-BP神经网络的车用轴流冷却风扇噪声预测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：CN119021891B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411132996.1，技术领域涉及：F04D27/00；该发明授权一种基于PSO-BP神经网络的车用轴流冷却风扇噪声预测方法是由何联格;刘二豪;张岩;刘西;吴礼民设计研发完成，并于2024-08-19向国家知识产权局提交的专利申请。

本一种基于PSO-BP神经网络的车用轴流冷却风扇噪声预测方法在说明书摘要公布了：本发明公开了一种基于PSO‑BP神经网络的车用轴流冷却风扇噪声预测方法，涉及车用噪声预测技术领域。本发明至少包括以下步骤：步骤1：搭建车用轴流冷却试验风扇与仿真模型，将仿真模型进行合理性验证，即确认其能够准确模拟实际风扇行为，在合理性验证后通过仿真模型进行仿真分析，进而获取到不同风扇参数配置下所对应的风扇噪声水平。本发明通过将粒子群算法与BP神经网络融合，旨在结合两者的优势以提升预测效率与精度，本发明不仅保留了BP算法在精确优化方面的优势，还借助粒子群算法的全局寻优能力，加速了优化过程，避免了局部最优陷阱，从而显著提高了寿命预测的准确性和效率。

本发明授权一种基于PSO-BP神经网络的车用轴流冷却风扇噪声预测方法在权利要求书中公布了：1.一种基于PSO-BP神经网络的车用轴流冷却风扇噪声预测方法，其特征在于：至少包括以下步骤： 步骤1：搭建车用轴流冷却试验风扇与仿真模型，将仿真模型进行合理性验证，即确认其能够准确模拟实际风扇行为，在合理性验证后通过仿真模型进行仿真分析，进而获取到不同风扇参数配置下所对应的风扇噪声水平； 步骤2：收集车用轴流冷却试验风扇或仿真模型的参数数据以及噪声数据，所述参数数据包括转速、叶顶间隙、叶片安装角、叶片宽度、曲率半径、叶片数目和轮毂比，将所述参数数据划分为训练组数据和测试组数据两个子集，所述训练组数据用于模型的训练与学习，所述测试组数据用于评估训练后模型的性能与准确性； 步骤3：基于给定的神经网络输入与输出样本集，构建了一个BP神经网络模型的拓扑结构，并进行神经网络的训练； 步骤4：确定粒子群优化算法，粒子群优化算法中每个粒子的位置和速度向量的维度D由神经网络的参数数量决定，具体为：D等于从输入层到隐含层的连接权值个数，加上从隐含层到输出层的连接权值个数，再加上隐含层中所有神经元的阈值个数，最后加上输出层中所有神经元的阈值个数这些参数共同构成了粒子在搜索空间中的位置和速度向量，用于在迭代过程中寻找最优的神经网络参数配置； 步骤5：初始化粒子群优化算法； 步骤6：依据输入、输出样本，计算得到每一个粒子的适应度； 步骤7：在计算出所有粒子的适应度值之后，通过比较这些适应度值的大小，可以为每个粒子确定其个体极值点，同时，通过进一步比较所有粒子的个体极值点，可以确定全局最优极值点； 步骤8：根据粒子群优化算法中定义的粒子位置和速度更新公式，对每个粒子的位置和速度进行迭代更新，当更新后的值超出了限定范围，则需要进行适当的调整或约束处理，以确保算法的有效性和合理性； 步骤9：计算出算法的误差； 步骤10：评估当前的误差是否已经达到预设的精度要求，或者迭代次数是否已经超过了设定的最大值；如果误差满足预设的精度标准，则算法视为收敛，此时最后一次迭代过程中得到的全局最优解Pg中的每一维权值和阈值即为所求解问题的最优参数配置；若迭代次数尚未达到最大值而误差仍未满足精度要求，则算法将返回至步骤6，继续执行迭代过程以寻找更优解；如果迭代次数已经达到最大而仍未达到预设的精度，则算法将终止执行，并基于当前的全局最优解给出问题的近似解； 步骤11：利用粒子群算法优化BP神经网络参数：即使用粒子群优化算法来优化BP神经网络的初始权值和阈值，用于提升BP神经网络对样本数据的预测能力，达到车用轴流冷却风扇噪声的预测应用。

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重庆理工大学，其通讯地址为：400054 重庆市巴南区红光大道69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。