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！

龙图腾网获悉山东农业大学申请的专利基于闭式连续时间单元的农业机械湿式离合器换挡系统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：CN121743679B 。

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：202610227036.6，技术领域涉及：G06F18/10；该发明授权基于闭式连续时间单元的农业机械湿式离合器换挡系统故障诊断方法是由翟柯嘉;王光明;姜红花;赵国旺;孔莹;纪凯峰设计研发完成，并于2026-02-26向国家知识产权局提交的专利申请。

本基于闭式连续时间单元的农业机械湿式离合器换挡系统故障诊断方法在说明书摘要公布了：本申请公开了一种基于闭式连续时间单元的农业机械湿式离合器换挡系统故障诊断方法，涉及农业机械智能监测技术领域，通过搭建专用试验台获取精准的故障仿真数据，为诊断提供可靠数据基础；采用完全集合经验模态分解自适应噪声与改进小波阈值融合去噪方法，实现测试数据的高效去噪，提升特征数据质量。构建的FaDCfCNet诊断模型依托闭式连续时间单元，可精准识别湿式离合器换挡系统故障模式。本方法有效解决了现有诊断方法建模复杂、易出现特征冗余模态混叠、诊断性能受数据限制的问题，大幅提升了湿式离合器换挡系统故障诊断的准确性与高效性，有效保障无人驾驶农业机械作业安全，提升湿式离合器换挡系统可靠性。

本发明授权基于闭式连续时间单元的农业机械湿式离合器换挡系统故障诊断方法在权利要求书中公布了：1.一种基于闭式连续时间单元的农业机械湿式离合器换挡系统故障诊断方法，其特征在于，包括： 搭建湿式离合器换挡系统试验台，通过故障仿真获取正常及典型故障模式下的离合器液压测试数据； 采用完全集合经验模态分解自适应噪声与改进小波阈值融合去噪方法对采集的测试数据进行去噪处理； 构建基于闭式连续时间单元的诊断模型FaDCfCNet，利用去噪后的测试数据对所述FaDCfCNet进行训练和测试，训练后的FaDCfCNet对故障模式精准识别； 所述FaDCfCNet包括：多尺度小波科尔莫戈洛夫-阿诺德定理层MWKANLayer、小波参数化闭式连续时间单元、连续时间动力学编码器、倒置维度解码器及物理感知优化目标损失函数； 所述MWKANLayer包括：可学习小波变换路径、残差基路径及互补聚合模块，其中： 所述可学习小波变换路径采用MexicanHat小波作为核函数，定义为： 其中：为MexicanHat小波核函数值，为连续时间或经尺度变换后的无量纲自变量，表示以自然常数为底的指数函数，其用于描述小波函数的指数衰减特性； 对输入向量经线性变换扩展至高维特征空间后，定义归一化坐标： 其中：为归一化坐标，为线性投影后的中间特征，为可学习的平移参数，为可学习尺度参数，为防止分母为零的极小值； 第个神经元在第个小波尺度下的激活响应为： 最终的小波路径输出是所有基函数响应的加权和： 其中：为小波激活函数，将归一化后的坐标映射为神经元的激活强度，直接影响后续小波路径的输出计算，是小波激活张量，是输出混合矩阵； 引入了基于SiLU激活函数的并行残差基路径： 其中：表示基础输出权重矩阵，为SiLU激活函数； 通过线性叠加机制，将两个不同性质的函数空间进行了正交投影与重组： 其中：为小波基函数的尺度数量，为可学习权重，表示逐元素相乘，为线性变换矩阵，为第个小波基的可学习平移参数，为第个小波基的可学习尺度参数； 所述小波参数化闭式连续时间单元的状态更新为： 其中：和由MWKAN处理联合状态向量得到，经Sigmoid激活后为时间衰减门，经Tanh激活后为候选平衡态，为Sigmoid激活函数，为上一时刻的输入特征向量，为Tanh激活函数； 所述连续时间动力学编码器由多个小波参数化闭式连续时间单元堆叠而成，对于第层，时刻的隐藏状态演化遵循闭式解： 其中，表示复合函数算子，表示第层在时刻的输入，表示上一时刻的隐藏状态，表示两个采样点之间的时间间隔，使得模型能够适配非均匀采样数据，经过层堆叠后，输出包含了丰富的局部动力学特征序列 所述倒置维度解码器对编码器输出执行维度转置得到，每层解码层包含分组查询稀疏提示通道自注意力机制GQA-SPCS和幻影前馈神经网络GhostFFN，其中： 所述GQA-SPCS通过门控函数估计通道重要性并自适应保留关键通道，注意力权重计算为： 其中，为可学习的温度参数，表示稀疏掩码，为注意力机制的查询，为注意力机制的健，为每个注意力头的特征维度，为归一化指数函数； 注意力输出为，然后再对进行残差连接，得到，其中：为注意力机制中的值矩阵，为对进行残差连接后的特征，表示随机失活正则化操作； 之后经过所述GhostFFN通过GhostModule生成高维特征，输出为： 其中：表示设计的一个轻量化特征扩展模块，通过标准卷积生成少量固有特征和廉价深度卷积生成幻影特征的方式，在不增加计算量的前提下，高效扩展特征通道数，用于替代传统前馈神经网络中计算量巨大的扩展层；为线性投影，为线性偏置； 最后，经过两层解码层之后送至分类头，分类头经过自适应平均池化、层归一化及线性特征映射得到最终的类别预测： 其中：为输出层的线性投影权重矩阵，为瓶颈层的线性投影权重矩阵，为经过层归一化后的固定长度上下文向量，为瓶颈层的偏置，为输出层的偏置； 所述物理感知优化目标损失函数为： 其中：为分类交叉熵损失，为频域一致性约束，为小波稀疏正则化，为EWC正则化，、和为平衡各项损失权重的超参数，为故障类别总数，为分类器输出的第类Logits的预测值，为指示函数，表示特征的均值池化的频谱在频率点的幅度，表示原始输入的频谱在频率点的幅度，和分别为和频谱的最大幅度，用于将幅度归一化到间，消除尺度差异，为神经元的数量，为每个神经元对应的小波基函数数量，为费雪信息矩阵的对角元素，为当前模型参数，为上一阶段收敛后的最佳参数。

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山东农业大学，其通讯地址为：271099 山东省泰安市泰山区岱宗大街61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。