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！

龙图腾网获悉西华大学申请的专利一种基于动态神经推理的云边协同高速列车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：CN120561740B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202511038871.7，技术领域涉及：G06F18/2415；该发明授权一种基于动态神经推理的云边协同高速列车故障诊断方法是由吴昀璞;吕梓昕;陈丽羽;雷霞设计研发完成，并于2025-07-28向国家知识产权局提交的专利申请。

本一种基于动态神经推理的云边协同高速列车故障诊断方法在说明书摘要公布了：本发明涉及高速列车故障诊断技术领域，公开一种基于动态神经推理的云边协同高速列车故障诊断方法。首先从高速列车监测系统中获取多通道传感器监测数据；构建具备多层次出口结构的D‑TernP网络模型，包括主干特征提取网络与多个出口子网络；将多通道传感器监数据输入D‑TernP网络模型，获取各出口子网络的预测结果；将待检测的多通道传感器监测数据输入训练完成的D‑TernP网络模型进行推理判断，每个出口子网络计算预测结果的熵值，确定置信度，具有足够置信度，则直接输出预测结果，否则上传至云端模型进行更深入分析。本发明能减少车载系统和云端之间的延迟，同时将部分任务在车载系统上完成，可以在减少云端上的计算量的同时降低带宽消耗量。

本发明授权一种基于动态神经推理的云边协同高速列车故障诊断方法在权利要求书中公布了：1.一种基于动态神经推理的云边协同高速列车故障诊断方法，其特征在于，包括以下步骤： 步骤1：从高速列车监测系统中获取多通道传感器监测数据； 步骤2：构建具备多层次出口结构的D‑TernP网络模型，包括主干特征提取网络与多个出口子网络；所述主干特征提取网络用于提取输入信号的深层语义信息，采用轻量残差结构TernP模块级联构成，适配边缘设备运行；各出口子网络分别连接于主干特征提取网络的不同深度，用于实现分支预测； 步骤3：基于历史监测数据样本训练拟合D‑TernP网络模型： 将多通道传感器监测数据输入D‑TernP网络模型，获取各出口子网络的预测结果； 分别计算各出口子网络的交叉熵损失，动态设置各出口子网络损失的权重系数，构造加权总损失函数； 统计各出口子网络的样本退出比例，计算其对应的奖励项，结合加权总损失函数与奖励项，得到最终总损失，并最小化最终总损失以优化网络参数； 步骤4：将待检测的多通道传感器监测数据输入训练完成的D‑TernP网络模型进行推理判断： 每个出口子网络按照从边缘到中心的优先级顺序计算预测结果的熵值，若熵值低于对应阈值，表示D‑TernP网络模型对该出口子网络结果达到置信条件，则直接输出预测结果； 若所有边缘出口子网络均未达到置信条件，则将待检测的多通道传感器监测数据上传至云端模型进行更深入分析，并输出最终预测结果； 步骤2中，所述TernP模块表示如下： 对于输入数据张量，B为单次输入的数据样本数，S为通道总数，L为信号样本长度，使用部分卷积在前通道上执行卷积操作，后面通道保持不变，得到中间特征： ； 其中，和分别表示输入数据张量的前通道和通道数据； Conv表示卷积操作； 然后对特征进行位置归一化，即对于每一个时间步上的各通道的结果进行位置归一化处理，公式如下： ； ； 其中，和分别表示第b个样本、第l个位置所有通道的平均值和标准差；为输入数据张量X中第b个样本、第s个通道、第 l个位置的分量； 则，完整的TernP模块的运算结构表示如下： ； 其中，是用于学习通道间特征组合的权重矩阵，是偏置项；和分别表示在每个位置l上对所有S个通道计算得到的均值和标准差，和是可学习参数；X为输入数据张量；Y为TernP模块的输出。

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西华大学，其通讯地址为：610039 四川省成都市金牛区土桥金周路999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”。