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！

龙图腾网获悉福州大学申请的专利基于深层网络结构的风机振动数据缺失智能重建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：CN121525528B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202610049004.1，技术领域涉及：G06F30/27；该发明授权基于深层网络结构的风机振动数据缺失智能重建方法是由李栋;廖毅桢;吴凡熙;吴科达;殷润斌;林大伟设计研发完成，并于2026-01-15向国家知识产权局提交的专利申请。

本基于深层网络结构的风机振动数据缺失智能重建方法在说明书摘要公布了：本发明公开了基于深层网络结构的风机振动数据缺失智能重建方法，具体涉及数据缺失重建领域，包括：采集风机振动及工况数据并规范化，设计随机点、连续块、通道全失三类缺失模式构建数据集，同时建立正常工况振动特征记忆库；搭建时空Transformer时序预测、物理信息神经网络物理仿真、深度记忆网络对比学习三类异构专家网络并完成预训练；构建动态仲裁融合网络，输入专家高层特征与元任务特征，实现动态权重分配与分歧检测；基于能量流与相干性约束规则库，对分歧结果进行物理验证校正；按专家结果一致或分歧场景加权融合，通过重建精度、物理合理性、实时性指标评估输出；该方法提升了不同缺失场景下重建的准确性与可靠性，满足风机振动监测需求。

本发明授权基于深层网络结构的风机振动数据缺失智能重建方法在权利要求书中公布了：1.基于深层网络结构的风机振动数据缺失智能重建方法，其特征在于，包括： S1：数据预处理与知识库构建：采集风机振动数据与工况数据并进行规范化处理，设计随机点缺失、连续块缺失、通道全失三类缺失模式以构建训练集与验证集，基于风机正常运行数据构建正常工况振动特征记忆库； S2：异构深层网络专家群的构建与预训练：构建时序预测专家、物理仿真专家、对比学习专家三类异构深层网络专家群，各专家网络输出各自重建结果及对应的高层特征，基于训练集与验证集完成预训练； 所述物理仿真专家基于风机传动链动力学特性，建立动力学方程，将该方程残差作为物理正则化项，与均方误差损失组合形成总损失，正则化权重设为0.1以平衡数据拟合与物理约束； S3：动态仲裁融合网络的构建与训练：构建动态仲裁融合网络，输入专家高层特征与元任务特征，通过分歧检测机制量化专家结果差异并输出分歧标志，采用元学习范式完成训练以获得动态权重分配能力； 所述动态仲裁融合网络的分歧检测机制具体包括：提取三类专家的重建结果，采用动态时间规整算法计算任意两专家结果的距离值，取距离最大值作为差异量化指标；基于正常工况数据统计差异阈值，当量化指标超过阈值时输出分歧标志为1，否则为0； S4：物理验证实现：构建含能量流约束与相干性约束的物理规则库，基于分歧标志触发验证，对专家重建结果进行物理合理性验证与校正，筛选有效重建结果； S5：最终融合输出与性能评估：基于动态权重与有效重建结果，按专家结果一致或分歧的场景进行加权融合，通过重建精度、物理合理性、实时性三类量化指标评估，输出满足风机振动监测需求的最终重建结果； 所述最终融合输出与性能评估，具体包括： 若分歧标志为0，直接采用动态仲裁融合网络输出的权重，对三类专家重建结果加权求和得到初步结果；若标志为1，基于S4筛选的有效重建结果，将无效专家的权重按有效专家历史重建精度占比分配后，再执行加权融合生成初步结果； 重建精度通过均方根误差和平均绝对误差衡量，计算初步结果与真实数据的偏差；物理合理性以物理规则满足率为指标，统计结果符合约束的测点占比；实时性测试单样本从输入到输出的处理时延； 当精度指标低于预设阈值、合理性≥95%且时延＜50ms时，判定初步结果合格，输出为最终重建结果；不合格则反馈至S3微调权重后重新融合，直至满足风机振动监测需求。

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福州大学，其通讯地址为：350100 福建省福州市福州大学城乌龙江北大道2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。