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！

龙图腾网获悉国网四川省电力公司营销服务中心申请的专利基于图神经网络和多任务学习的物联感知装置可靠度评估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：CN120337002B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202510380669.6，技术领域涉及：G06F18/2415；该发明授权基于图神经网络和多任务学习的物联感知装置可靠度评估方法是由李琪林;郭培;廖开吉设计研发完成，并于2025-03-28向国家知识产权局提交的专利申请。

本基于图神经网络和多任务学习的物联感知装置可靠度评估方法在说明书摘要公布了：本发明公开了一种基于图神经网络和多任务学习的物联感知装置可靠度评估方法，具体包括以下步骤：数据收集与预处理；多层级模型设计，评估多层级模型可靠度，多层级模型设计包括传感器层级设计、元器件层级设计、板卡层级设计和整机层级设计；多层级网络融合；通过粒子群优化多层级模型参数，提升可靠度评估性能。本发明通过构建多层级的全量映射关系，提升各层级间可靠度评估的精度，并准确预测设备的整体故障趋势，进而增强整体系统的稳定性，尤其在复杂电磁环境与环境应力下，设备可靠度得到更精准的评估；对于数字换流站的运维管理至关重要，能够提前识别潜在故障，优化维护计划，避免突发故障带来的停运和经济损失。

本发明授权基于图神经网络和多任务学习的物联感知装置可靠度评估方法在权利要求书中公布了：1.基于图神经网络和多任务学习的物联感知装置可靠度评估方法，其特征在于，具体包括以下步骤： S1、数据收集与预处理； S2、多层级模型设计，评估多层级模型可靠度，所述多层级模型设计包括传感器层级设计、元器件层级设计、板卡层级设计和整机层级设计； S3、多层级网络融合； S4、通过粒子群优化多层级模型参数，提升可靠度评估性能； 所述步骤S2中整机层级设计的具体方法如下： 整机层级采用强化学习模型，模型目标是输出整机层级的可靠度D4，其中强化学习模型为一个马尔可夫决策过程，记为五元组S,A,P,R,γ， 状态空间S表示整机的运行状态，st∈S为t时刻的运行状态； 动作空间A表示整机层级动作，包括调整工作负载、修改维护间隔、改变工作模式，at∈A表示t时刻的动作； 状态转移概率Ps′|s,a表示执行动作a整机运行状态从s变化到s'的概率分布； 奖励函数Rst,at表示执行动作所获得的奖励函数： Rst，at＝-Cfailure-αr·Cmaintenance+βr·D4 其中，Cfailure表示设备故障带来的成本，Cmaintenance表示维护动作的成本，αr、βr分别表示奖励函数的权重参数，用于平衡故障、维护成本和可靠度； 折扣因子γ表示控制未来奖励的影响权重，范围0γ1； 强化学习模型的目标是找到一个最优策略π*a|s，使得长期累积奖励最大化，具体表达式如下： 状态-动作值函数Qs,a表达式如下： 其中，表示期望函数，Qs,a表示在状态s执行动作a后预期的可靠度，a'表示下一步可采取的动作，s'表示执行当前动作a后的系统状态； 整机层级的可靠度D4通过深度Q学习进行优化，对状态-动作价值函数Qs,a更新为： 其中，α表示学习率； 训练完成后在给定状态s下选择最优动作a*，表达式如下： 执行该最优动作a*获得相应的整机层级的可靠度，表达式如下： D4＝Qs,a*； 所述步骤S3具体方法如下： 将所述步骤S2中传感器层级、元器件层级、板卡层级和整机层级的可靠度模型进行融合，构建多层级网络，多层级网络融合建立层级间的可靠度映射关系； 采用多层感知机，将不同层级的可靠度D1、D2、D3和D4进行融合，过程表达式如下： h′1＝σW1[D1,D2,D3,D4]+b1 h′2＝σW2h′1+b2 D′＝σW3h′2+n3 其中，D'表示整体可靠度，作为最终评估结果，W1、W2、W3表示权重矩阵，b1、b2、b3表示偏置项。

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国网四川省电力公司营销服务中心，其通讯地址为：610000 四川省成都市武侯区人民南路四段50号1楼；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。