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！

龙图腾网获悉北京航空航天大学申请的专利一种基于长短时记忆神经网络的收口螺母退化预测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：CN116644528B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202310549242.5，技术领域涉及：G06F30/17；该发明授权一种基于长短时记忆神经网络的收口螺母退化预测方法是由杨军;马钰淋;刘振宇;黎磊设计研发完成，并于2023-05-16向国家知识产权局提交的专利申请。

本一种基于长短时记忆神经网络的收口螺母退化预测方法在说明书摘要公布了：本发明针对飞机结构件装配连接用收口螺母的锁紧性能试验测试耗时过长、成本高昂的问题，提供了一种基于长短时记忆神经网络的收口螺母退化预测方法，首先，它是通过开展收口螺母锁紧性能测试试验，获取到收口螺母拧入和拧出两种锁紧力矩的早期退化数据；其次，以收口螺母锁紧性能衰退机理为依据，建立拧入和拧出锁紧力矩的双变量相关性模型；然后，建立双变量输入的长短时记忆神经网络模型；最后，使用所建立的神经网络模型学习拧入和拧出力矩的早期测试数据，预测未来测试时间的收口螺母锁紧性能衰退趋势。结合工程实际，模型搭建简单，端到端模型结构，易于优化训练，无需介入专家经验，便于工程技术人员应用，方法规范科学。

本发明授权一种基于长短时记忆神经网络的收口螺母退化预测方法在权利要求书中公布了：1.一种基于长短时记忆神经网络的收口螺母退化预测方法，其特征在于，步骤如下： 步骤一：获取收口螺母锁紧性能退化的试验数据： 首先，准备外观完好的螺纹芯棒和收口螺母；将螺纹芯棒和收口螺母进行锁紧配合，并测量拧入旋转过程中的拧入锁紧力矩，以该锁紧力矩与标准规定值进行比较，确认拧入锁紧力矩不超过标准规定的最大值；然后，使用同一根螺纹芯棒，在同一收口螺母上，进行拧入拧出的循环测试，测量并记录每次循环过程中拧入和拧出锁紧力矩；试验测试完成后，对照标准规定值，标注收口螺母的退化状态；若测得的拧入锁紧力矩不超过标准规定的最大值，并且测得的拧出锁紧力矩不低于标准规定的最小值，则判定测试收口螺母为合格；否则，判定该测试收口螺母为不合格； 步骤二：拧入和拧出锁紧力矩退化趋势的相关性分析： 首先，计算拧入和拧出锁紧力矩的相关性；其次，进行相关系数的假设检验； 步骤三：建立双变量输入的长短时记忆神经网络模型： 一个完整的长短时记忆模块，含有三个顺序关联的门控结构，分别是遗忘门、输入门和输出门；若要完成长短时记忆神经网络的构建，需要首先定义三个门控结构，并明确当前的细胞状态；首先，明确预测任务和输入数据；其次，借助三个门控结构定义当前时刻的细胞状态和预测输出值； 步骤四：长短时记忆神经网络模型的训练优化以及锁紧性能的退化预测： 长短时记忆神经网络模型的训练优化包括目标函数构建和权重更新；首先，构建预测任务的目标函数；然后，使用误差反向传播来计算模型在未知学习参数处的误差值；接着，计算得到各个门控结构的输入误差；最后，采用随机梯度下降法，在训练数据集上，实现对长短时记忆神经网络模型中第层的学习参数的更新； 在步骤一中，对于每个收口螺母，按照时间顺序，每个时刻测量并记录一次，测试的时长为，即共进行N次测量，则获得一组锁紧力矩的时间序列数据；其中，记录测得的拧入锁紧力矩为： 1 同样，记录拧出锁紧力矩为： 2 在步骤二中，同一个体的两个变量之间的相关性用皮尔逊相关系数度量，记两个变量的总体皮尔逊相关系数为，则拧入锁紧力矩和拧出锁紧力矩间的相关性表示为： 3 其中，为和的协方差，和为和的标准差，和为和的均值； 通过收口螺母锁紧性能试验测得的力矩数据，计算样本的协方差和标准差的估计值，得到样本皮尔逊相关系数，具体表示为： 4 其中，和分别为拧入和拧出锁紧力矩的样本平均值； 在步骤二中，构造如下的假设检验： 原假设，即两个变量和之间无显著的线性相关关系； 备择假设，即两个变量和之间存在显著的线性相关关系； 对于相关系数的假设检验，构造如下的统计量，其表示如下： 5 其中，为相关系数的标准差；该统计量服从自由度为的学生分布，给定显著性水平，使用公式5计算值，查表得到值；将值与给定显著性水平比较，若其值小于，则拒绝原假设，接受备择假设，即认为两个变量之间存在显著的线性相关性；若其值大于，则接受原假设，拒绝备择假设，即认为两个变量之间不存在线性相关性。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。