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！

龙图腾网获悉广西大学申请的专利一种微型发动机的噪声控制方法、系统、设备及存储介质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：CN119830705B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202411788401.8，技术领域涉及：G06F30/27；该发明授权一种微型发动机的噪声控制方法、系统、设备及存储介质是由梁科;苏悦;潘明章;官维;马春;潘月德;王魁;毛海涛设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本一种微型发动机的噪声控制方法、系统、设备及存储介质在说明书摘要公布了：本发明公开了一种微型发动机的噪声控制方法、系统、设备及存储介质，属于发动机噪声控制技术领域，解决微型发动机难以实现理想降噪效果的技术问题。方法为：采集微型发动机工作过程中的进排气噪声、机械噪声及燃烧噪声数据，并进行经验模态分解，将噪声信号分解为若干个本征模态函数的IMF分量；构建LSTM神经网络模型；对LSTM神经网络模型进行训练得到EMD‑EGMGWO‑LSTM模型；在微型发动机工作过程中，实时采集噪声数据并输入到已训练好的EMD‑EGMGWO‑LSTM模型中，获取噪声数据的预测值；即时生成与之相位相反、幅度相匹配的反相噪声控制信号实现高效主动降噪效果。能够持续优化和调整控制策略，提高降噪效果。

本发明授权一种微型发动机的噪声控制方法、系统、设备及存储介质在权利要求书中公布了：1.一种微型发动机的噪声控制方法，其特征在于，包括以下步骤： 步骤1.数据采集与预处理，通过噪声传感器实时采集微型发动机工作过程中的进排气噪声、机械噪声及燃烧噪声数据，并进行经验模态分解EMD，将噪声信号分解为若干个本征模态函数的IMF分量，以获取微型发动机噪声的不同频率段成分； 步骤2.根据微型发动机噪声的特性构建LSTM神经网络模型，该LSTM神经网络模型包括输入层、隐藏层和输出层；输入层负责接收经过经验模态分解EMD预处理后的本征模态函数的IMF分量或原始噪声数据的时间序列片段，隐藏层通过非线性变换提取噪声特征，输出层则输出噪声预测值或控制信号； 步骤3.训练与优化，基于多工况环境下的微型发动机噪声数据对LSTM神经网络模型进行训练，通过EGMGWO实现LSTM隐藏层神经元数目及学习率优化，得到具备对微型发动机噪声进行预测的EMD-EGMGWO-LSTM模型，同时，采用L2正则化防止EMD-EGMGWO-LSTM模型过拟合，实现EMD-EGMGWO-LSTM模型的有效泛化； 步骤4.实现实时噪声控制，在微型发动机工作过程中，实时采集噪声数据并输入到已训练好的EMD-EGMGWO-LSTM模型中，获取噪声数据的预测值；基于该预测值，即时生成与之相位相反、幅度相匹配的反相噪声控制信号，并通过振动抑制装置产生与原始噪声波形相抵消的反向声波或振动，从而实现高效主动降噪效果； 步骤3中通过EGMGWO实现LSTM隐藏层神经元数目及学习率优化的原理为，通过GWO算法来优化LSTM隐藏层神经元数目及学习率，并通过引入动态调整收敛因子及高斯变异局部搜索机制，提高GWO算法获取最优参数的能力，过程如下： 步骤31.算法初始化，包括： 1种群初始化，设定种群规模N、搜索空间维度d、最大迭代次数；随机生成初始种群位置，其中； 2参数初始化，初始化收敛因子、衰减常数、动态调整参数、动态调整参数、动态调整参数；初始化高斯变异参数，均值、标准差；初始化三个灰狼个体的Alpha、Beta、Delta的位置及其适应度值；设定高斯变异局部搜索的接受概率； 步骤32.适应度评价，对每个个体，使用其代表的LSTM超参数配置训练LSTM神经网络模型，并结合经验模态分解EMD处理后的发动机噪声数据进行预测；计算预测结果与真实噪声数据之间的均方误差MSE作为适应度值： 11 其中，是真实噪声数据，是LSTM神经网络模型的预测结果，n是数据点的数量； 步骤33.位置更新，包括： 1计算系数向量和，对于每个个体，生成随机数；计算非线性衰减的收敛因子： 12 计算系数向量： ，13； 2计算动态调整因子，根据种群适应度及迭代次数计算动态调整因子： 14 3灰狼个体位置更新，对于每个个体，根据其当前位置、Alpha的位置、Beta的位置、Delta的位置，以及系数向量、和动态调整因子，更新个体位置： 15 4高斯变异局部搜索，对更新后的个体的每个维度，施加高斯变异： 16 其中，表示标准正态分布； 对新生成的候选解进行适应度评价，得到； 根据设定的接受概率更新个体位置： 17 其中，r为随机生成的数，； 步骤34.边界处理，设LSTM神经网络模型的超参数的取值范围为，其中和分别是第j个超参数的下界和上界；在每次位置更新后，需要对更新后的个体位置进行边界检查和处理； 对每个维度执行以下操作： 18 实现经边界处理后的个体位置满足所有超参数的取值范围约束； 步骤35.迭代终止条件，重复执行适应度评价、位置更新及边界处理，直至达到最大迭代次数； 步骤36.最优解输出，根据适应度值，输出最优个体位置及其适应度值，使用代表的LSTM神经网络模型的超参数配置训练最终的EMD-EGMGWO-LSTM模型。

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广西大学，其通讯地址为：530000 广西壮族自治区南宁市西乡塘区大学东路100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。