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！

龙图腾网获悉湖南工业大学申请的专利一种基于振动小样本数据的列车牵引电机-齿轮箱耦合噪声预测方法及系统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：CN119474705B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202411335369.8，技术领域涉及：G06F18/20；该发明授权一种基于振动小样本数据的列车牵引电机-齿轮箱耦合噪声预测方法及系统是由李涛;杨佳微;李晨熙;杨军;李登科;查国涛;胡云卿;宋士轲;刘晓波;王里达;彭宣霖;张昌凡设计研发完成，并于2024-09-24向国家知识产权局提交的专利申请。

本一种基于振动小样本数据的列车牵引电机-齿轮箱耦合噪声预测方法及系统在说明书摘要公布了：本发明公开一种基于振动小样本数据的列车牵引电机‑齿轮箱耦合噪声预测方法及系统，其步骤包括：根据平方相干‑回归系数联合分析耦合噪声与振动信号之间的高相关性；通过前馈神经网络建立振动信号与耦合噪声之间的映射关系；基于树结构的贝叶斯优化算法找寻最优的隐含层层数、节点数和学习率配置，提取振动数据和耦合噪声数据映射关系；注意力机制计算特征数据的权重，构建贝叶斯‑注意力‑前馈神经网络模型，并通过迭代进行强化、更新，输出预测结果。本发明通过构建贝叶斯‑注意力‑前馈神经网络耦合噪声预测模型，通过少量振动信号精准预测耦合噪声，解决了小样本数据的列车牵引电机‑齿轮箱耦合噪声预测稳定性较差、准确率不高的技术问题。

本发明授权一种基于振动小样本数据的列车牵引电机-齿轮箱耦合噪声预测方法及系统在权利要求书中公布了：1.一种基于振动小样本数据的列车牵引电机-齿轮箱耦合噪声预测方法，其特征在于，步骤包括： S1.根据平方相干-回归系数联合分析耦合噪声与振动信号之间的高相关性，并将复杂小样本数据在频域上转换为二维矩阵φ； S2.通过前馈神经网络在多任务学习框架下学习二维矩阵φ的特征，建立水平方向、垂直方向、轴向方向振动信号与耦合噪声之间的映射关系； S3.基于树结构的贝叶斯优化算法找寻前馈神经网络最优的隐含层层数、节点数以及学习率配置，提取振动数据和耦合噪声数据映射关系； S31.选择前馈神经网络隐含层层数L、隐含层节点数N、学习率η为前馈神经网络超参数优化目标，定义前馈神经网络的超参数集合定义为x，定义更新超参数集x的目标函数值y为：，定义配置空间为H={[L,N,η]1，[L,N,η]2，…，[L,N,η]n}； S32.根据当前超参数样本点计算给定目标函数值的超参数的概率密度函数Px|y，构建基于树结构的贝叶斯优化模型； S33.使用期望改进作为采集函数EIy*x，识别下一个具有最高获取期望值的样本点； S34.当采集函数EIy*x达到最大值时，超参数集视为最优超参数集x*，表示为： 式中L*为最优隐含层数，N*为最优隐含层节点数，η*为最优前馈神经网络学习率； S35.将最优超参数集x*反馈至前馈神经网络中，进一步训练优化； S4.注意力机制计算关键特征数据的权重，构建贝叶斯-注意力-前馈神经网络模型，对耦合噪声特性进行精准捕捉； S41.在前馈神经网络中利用注意力机制计算输入数据中振动信号与耦合噪声之间的特征关系，构建贝叶斯-注意力-前馈神经网络模型，对耦合噪声特性进行精准捕捉，注意力机制计算特征si的过程可以表示为： 其中tanh为激活函数，Ŵi为注意机制的权重，b为偏差，为隐含层第i层的输出； S42.将si转换成指数形式，计算当前si与所有注意力分数指数之和的比值，得到注意力分数βi，注意力评分函数的结果βi可表示为： 其中n为输入特征数据的个数； S5.通过迭代对贝叶斯-注意力-前馈神经网络模型参数和权重系数进行强化、更新，输出牵引电机-齿轮箱耦合噪声预测结果，表示为： 式中Ŷ为贝叶斯优化-注意力机制-前馈神经网络模型预测的耦合噪声声压值，ReLu为激活函数，w和b’分别为输出层的权值和偏置； S6.根据耦合噪声预测结果进行信号异常检测，同时预测牵引电机-齿轮箱的多个相关属性，包括故障类型、故障位置以及严重程度。

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湖南工业大学，其通讯地址为：412000 湖南省株洲市泰山西路88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。