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！

龙图腾网获悉吉林大学申请的专利一种基于Transformer架构的半主动悬架控制系统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：CN119261470B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202411681317.6，技术领域涉及：B60G17/018；该发明授权一种基于Transformer架构的半主动悬架控制系统是由于树友;何雨纯;郭杰;马超;陈虹设计研发完成，并于2024-11-22向国家知识产权局提交的专利申请。

本一种基于Transformer架构的半主动悬架控制系统在说明书摘要公布了：本发明属于车辆悬架系统控制技术领域，本发明公开了一种基于Transformer架构的半主动悬架控制系统，包括如下步骤：布置传感器网络，采集车辆动态数据；使用预设算法对来自不同传感器的异步数据进行对齐，保持异构数据的时序一致性；传感器i在时间t的测量值为xit，在本发明中，通过Transformer机制降低了对状态量进行权重分配，避免了传感器误差带来的错误控制量，提高了悬架控制系统对数据异常的鲁棒性，能够在传感器故障、受到外部攻击注入虚假传感器数据或极端路况下保持稳定控制，通过DDPG强化学习控制算法，增强了系统在复杂多变环境下的适应能力，可以快速适应不同路况、载重和驾驶风格，在保证计算效率的同时提高了控制效果。

本发明授权一种基于Transformer架构的半主动悬架控制系统在权利要求书中公布了：1.一种基于Transformer架构的半主动悬架控制系统，其特征在于：包括如下步骤： S1：布置传感器网络，采集车辆动态数据； S2：使用预设算法对来自不同传感器的异步数据进行对齐，保持异构数据的时序一致性； 传感器i在时间t的测量值为xit，将所有传感器数据对齐到统一的时间点tk:其中tj≤tktj+1； S3：建立四分之一车辆二自由度模型 其中ms为车身质量，mu为簧下质量，F为磁流变阻尼器阻尼力，xs为车身位移，xu为簧下位移，xr为车轮位移，c为阻尼器不可控阻尼，ks为弹簧刚度，kt为车轮刚度； S4：通过神经网络对磁流变阻尼器进行建模： 通过预设设备获取阻尼器实验数据，通过神经网络对数据进行拟合，得出权重矩阵wI，wH和wO； 将阻尼器神经网络模型与车辆悬架动力学模型结合，得出一体化模型； 将强化学习结构与该一体化模型进行交互，训练神经网络参数； S5：对状态量应用DDPG强化学习算法进行控制量计算，DDPG网络结构为Actor-Critic结构,其中Actor网络生成动作：at＝μs|θμ，Critic网络评估状态-动作值Qs,a|θQ； S6：将状态量传入Transformer架构中，替代传统Actor网络，对状态量的关联性分析，区分有效信息及状态量误差，将数据xitk传入DDPG的Transformer架构中； S7：将带编码高维数据X分别与权重点乘，得出带权重矩阵V每一行代表传感器数据的高维表达； S8：对其中Q与K矩阵进行转置点乘，得出QKT矩阵； S9：对已获得的注意力权重结果除K矩阵维度进行缩放，对计算得出的注意力权重矩阵进行softmax激活函数变换，将结果转化成百分比； S10：将经过变换的注意力权重与矩阵V相乘，得出结果中每一个元素为每一个样本数据对应其他所有样本数据在Q,K矩阵64维度下的关注度权重的总和，通过注意力权重调整V矩阵权重得出结果AttentionQ,K,V； S11：对自注意力矩阵headi＝AttentionQ,K,V进行多组并行训练，得出多头注意力机制结果Concathead1,…,headh，将该多头注意力机制结果与多头权重矩阵WO相乘，得出多头注意力结果MultiHeadQ,K,V＝Concathead1,…,headhWO，每个头headi是不同空间的注意力机制结果； S12：将Transformer架构替换传统强化学习Actor网络架构，通过Transformer架构生成参数化策略μs|θμ来输出给定状态下的最优动作at＝μs|θμ，其目标是最大化累积奖励的期望：Critic网络用于评估状态-动作值函数Qs,a∣θQ，通过最小化以下损失函数来优化其参数：LθQ＝Es,a,r,s′～D[r+γQs′,μs′∣θμ∣θQ-Qs,a∣θQ2]其中，r为即时奖励，γ为折扣因子，D为经验回放缓冲区中的数据； S13：设计强化学习奖励函数； S14：采用双网络架构，包括两个独立的Actor网络和与两个独立的Critic网络和通过以下公式计算最小的动作量与状态-动作值：定义损失函数为： S15：将与环境交互过程获得的数据存储到回放缓冲区D中，从缓冲区中随机采样批次数据用于训练，提升样本利用率，对于双Actor和Critic网络更新机制，采用分别维护延迟更新的目标网络参数θμ'和θQ'，每次更新网络参数时，目标网络使用软更新规则：Actor网络更新规则：θμ'←τθμ+1-τθμ'，Critic网络更新规则：θQ'←τθQ+1-τθQ'，其中，τ是软更新参数，平衡当前网络参数与待更新参数，调整网络参数，获取控制信号I。

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吉林大学，其通讯地址为：130022 吉林省长春市南关区人民大街5988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”。