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！

龙图腾网获悉广东派勒智能纳米科技股份有限公司;湖南金岭机床科技集团有限公司申请的专利一种纳米研磨机的电机运行控制方法、系统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：CN118204187B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202410286554.6，技术领域涉及：B02C25/00；该发明授权一种纳米研磨机的电机运行控制方法、系统及存储介质是由黎智扬;雷立猛;赵伟东;蔡开拓;朱羽欣设计研发完成，并于2024-03-13向国家知识产权局提交的专利申请。

本一种纳米研磨机的电机运行控制方法、系统及存储介质在说明书摘要公布了：本发明涉及电机控制技术领域，具体涉及一种纳米研磨机的电机运行控制方法、系统及存储介质，方法包括：获取初始数据集，所述初始数据集包括多个控制参数下，研磨粒度随研磨时长变化的粒度数据序列；基于所述粒度数据序列从所述初始数据集中提取得到第一样本集和第二样本集；基于所述第一样本集和所述第二样本集构建融合特征向量，通过所述融合特征向量对预先构建的神经网络模型进行训练，得到训练好的模型；获取对锂电池正极材料研磨的目标粒度，将目标颗粒度输入训练好的模型中，得到相应的控制参数，根据所述颗粒度区间对应的控制参数控制所述电机运行；本发明能够提高研磨的效率和加工精度。

本发明授权一种纳米研磨机的电机运行控制方法、系统及存储介质在权利要求书中公布了：1.一种纳米研磨机的电机运行控制方法，其特征在于，所述方法包括以下步骤： 获取初始数据集，所述初始数据集包括多个控制参数下，研磨粒度随研磨时长变化的粒度数据序列；其中，所述控制参数包括电动球阀的开度、电机的研磨功率和研磨转速；所述粒度数据序列包括多个按时间序列排序的粒度分布数据； 基于所述粒度数据序列从所述初始数据集中提取得到第一样本集和第二样本集；其中，所述第一样本集比第二样本集中研磨粒度随研磨时长的变化更快； 基于所述第一样本集和所述第二样本集构建融合特征向量，通过所述融合特征向量对预先构建的神经网络模型进行训练，得到训练好的模型； 获取对锂电池正极材料研磨的目标粒度，将目标颗粒度输入训练好的模型中，得到相应的控制参数，根据所述颗粒度区间对应的控制参数控制所述电机运行； 所述基于所述粒度数据序列从所述初始数据集中提取得到第一样本集和第二样本集，包括： 基于所述初始数据集中的粒度分布数据确定颗粒度的频率分布和标准差； 将初始数据集划分为标准差低于标准差阈值的正样本数据集和标准差高于标准差阈值的负样本数据集； 对于正样本数据集中的每个粒度数据序列，将颗粒度的平均值随研磨时长的变化大小作为梯度，将各个粒度数据序列按梯度升序排列，选取靠前的多个粒度数据序列及对应的控制参数作为第一样本集，选取靠后的多个粒度数据序列及对应的控制参数作为第二样本集；其中，所述平均值为频率分布最大的区间； 所述基于所述第一样本集和所述第二样本集构建融合特征向量，通过所述融合特征向量对预先构建的神经网络模型进行训练，得到训练好的模型，包括： 将第一样本集输入时间特征提取通道提取得到时间特征，将第二样本集输入空间特征提取通道提取得到空间特征； 将时间特征提取通道提取到的时间特征与空间特征提取通道所提取的空间特征以加权的方式拼接得到融合特征向量； 将融合特征向量输入预先构建的神经网络模型进行训练，基于预先构建的损失函数计算损失值对所述神经网络模型进行反向传播，直到所述神经网络模型的损失值达到设定的损失阈值，得到训练好的模型； 所述将第一样本集输入时间特征提取通道提取得到时间特征，包括： 将第一样本集形成第一样本矩阵对应的第一颗粒度，所述第一样本矩阵包括分别在n个采样时刻采集到的d维不同类型的控制参数；其中，对于第一样本矩阵中的元素，上标为j代表控制参数的类型，下标i代表采样时刻，i=1,2，...，n；j=1,2，...，d； 将第一样本矩阵输入第一双向LSTM网络，得到第一期望特征向量； 所述将第二样本集输入空间特征提取通道提取得到空间特征，包括： 将第二样本集形成第二样本矩阵和对应的第二颗粒度，所述第二样本矩阵包括分别在m个采样时刻采集到的d维不同类型的控制参数；其中，对于第二样本矩阵中的元素，上标为j代表控制参数的类型，下标i代表采样时刻，i=1,2，...，n；j=1,2，...，d，m＜n； 使用一组一维卷积核按变量顺序滑动并对粒度数据序列中的所有时间段进行遍历，连接ReLU激活函数对所述粒度数据序列进行初始特征提取； 利用多尺度卷积模块对提取的初始特征进行处理得到多个特征向量，通过ReLU激活函数将多个所述特征向量进行融合得到第二期望特征向量； 所述损失函数为： ； 其中，LFU为融合损失函数，LMSE为回归损失函数，k为融合损失的权重，0＜k＜1； ； LFU=meanKLsoftmaxXi,j,softmaxYi,j； 其中，Xi,j表示融合特征向量，Yi,j表示神经网络模型预测的特征向量，KL表示KL散度损失，mean表示求平均值，softmax表示Softmax函数。

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东派勒智能纳米科技股份有限公司;湖南金岭机床科技集团有限公司，其通讯地址为：511496 广东省广州市番禺区钟村街创源路一号；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。