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！

龙图腾网获悉安莱(北京)汽车技术研究院;吉林交通职业技术学院申请的专利一种基于深度学习的汽车积碳驱动故障诊断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：CN121030531B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202511174248.4，技术领域涉及：G06F18/2415；该发明授权一种基于深度学习的汽车积碳驱动故障诊断方法是由阚有波;李默;高增泽;高飞;李俊波;李宇凡;桑英英;张立华;孔春花;崔秀虹设计研发完成，并于2025-08-21向国家知识产权局提交的专利申请。

本一种基于深度学习的汽车积碳驱动故障诊断方法在说明书摘要公布了：本发明公开了一种基于深度学习的汽车积碳驱动故障诊断方法，涉及智能诊断技术领域，包括构建强化学习智能体，以时空融合特征图作为状态输入，部署多目标动态奖励函数同步计算动力损失率奖励值、积碳覆盖率惩罚值、燃烧效率梯度值及积碳生长速率梯度值，通过价值迭代优化策略网络输出动力衰减诊断状态；通过学生模型接收动力衰减诊断状态和积碳类型分类编码，并加载预训练教师模型，在蒸馏损失函数中添加对抗判别器，比较教师模型与学生模型的特征图分布差异，输出与车辆状态匹配的分级治理指令。本发明通过构建强化学习智能体并部署多目标动态奖励函数，实现积碳驱动故障的综合动态量化评估。

本发明授权一种基于深度学习的汽车积碳驱动故障诊断方法在权利要求书中公布了：1.一种基于深度学习的汽车积碳驱动故障诊断方法，其特征在于：包括： 实时采集车辆的积碳图像序列和动力性能传感器数据； 将积碳图像序列输入CNN卷积层，通过卷积层和池化层提取积碳形态的局部空间特征，并经全连接层与Softmax分类器输出积碳类型分类编码； 将动力性能传感器数据输入独立Transformer编码器生成时序特征向量，与CNN提取的局部空间特征通过交叉注意力机制融合，构建时空融合特征图； 所述构建时空融合特征图，具体步骤如下： 将动力性能传感器数据分割为固定长度时间窗口输入Transformer编码器； 通过多头自注意力机制建模缸压波动、扭矩衰减及尾气成分的跨周期依赖关系，输出具有时间戳对齐特性的时序特征向量； 使用时序特征向量作为Query向量，CNN提取的局部空间特征分别通过独立的线性层生成Key向量和Value向量； 通过交叉注意力层计算Query向量和Key向量的相似度权重，依据相似度权重对Value向量加权求和生成融合特征，构建时空融合特征图； 构建强化学习智能体，以时空融合特征图作为状态输入，部署多目标动态奖励函数同步计算动力损失率奖励值、积碳覆盖率惩罚值、燃烧效率梯度值及积碳生长速率梯度值，通过价值迭代优化策略网络输出动力衰减诊断状态； 所述构建强化学习智能体，具体步骤如下： 初始化策略网络参数并设定贪婪探索系数，以时空融合特征图作为环境状态输入策略网络； 策略网络输出包含清洗强度等级及持续时间的动作指令，执行动作指令后通过车辆总线获取新的动力性能传感器数据， 根据新的动力性能传感器数据生成下一时刻环境状态，通过多目标动态奖励函数计算总奖励值更新策略网络参数； 所述多目标动态奖励函数的构建，具体步骤如下： 根据缸压传感器实时波形与标准波形差异计算动力损失率奖励值； 通过对积碳图像序列进行像素级分割获得积碳覆盖率惩罚值； 基于O2和CO2浓度变化曲线的滑动窗口比值变化率生成燃烧效率梯度值； 利用滑动窗口差分算法计算相邻时间窗的积碳覆盖面积差值，生成积碳生长速率梯度值； 将动力损失率奖励值、积碳覆盖率惩罚值、燃烧效率梯度值及积碳生长速率梯度值加权融合为总奖励值； 所述通过价值迭代优化策略网络输出动力衰减诊断状态，具体步骤如下： 采用贝尔曼方程计算当前状态的动作价值函数值，通过时序差分学习更新动作价值函数值并存储至经验回放缓冲区； 从经验回放缓冲区采样动作价值函数值计算优势函数值，基于优势函数值与动作价值函数值的线性组合生成策略梯度修正量； 利用梯度上升算法根据策略梯度修正量优化策略网络参数，重复迭代直至状态价值函数值收敛，输出的动作指令概率分布标记为动力衰减诊断状态； 通过学生模型接收动力衰减诊断状态和积碳类型分类编码，并加载预训练教师模型，在蒸馏损失函数中添加对抗判别器，比较教师模型与学生模型的特征图分布差异，输出与车辆状态匹配的分级治理指令。

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安莱(北京)汽车技术研究院;吉林交通职业技术学院，其通讯地址为：101113 北京市通州区口子村东1号院164号楼101；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。