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！

龙图腾网获悉南京航空航天大学申请的专利面向因果发现的时序数据故障根因诊断方法及相关装置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：CN119442090B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411473543.5，技术领域涉及：G06F18/2433；该发明授权面向因果发现的时序数据故障根因诊断方法及相关装置是由皮德常;郑圣彬设计研发完成，并于2024-10-21向国家知识产权局提交的专利申请。

本面向因果发现的时序数据故障根因诊断方法及相关装置在说明书摘要公布了：本申请公开了一种面向因果发现的时序数据故障根因诊断方法及相关装置，涉及故障识别技术领域，包括：获取待处理的卫星遥测时序数据；利用主成分分析算法计算每一数据样本的霍特林T2统计量，并与霍特林T2统计量控制限的比较结果确定故障样本；对每一故障样本，利用基于LASSO的故障隔离方法筛选出故障样本对应的故障候选变量；对各故障样本的故障候选变量应用通道注意稀疏因果网络模型得出故障候选变量之间的因果矩阵；根据因果矩阵确定故障候选变量间的因果拓扑以实现故障传播路径的识别和故障根因的定位。本发明能够有效识别关联故障的传播路径并准确定位根因。

本发明授权面向因果发现的时序数据故障根因诊断方法及相关装置在权利要求书中公布了：1.一种面向因果发现的时序数据故障根因诊断方法，其特征在于，所述面向因果发现的时序数据故障根因诊断方法包括： 获取待处理的卫星遥测时序数据；所述待处理的卫星遥测时序数据中，一个时间点的卫星遥测数据为一个数据样本；一个数据样本中包括若干个卫星遥测变量； 利用主成分分析算法计算每一数据样本的霍特林T2统计量，并根据所述霍特林T2统计量与霍特林T2统计量控制限的比较结果确定视为故障样本的数据样本； 对每一故障样本，利用基于LASSO的故障隔离方法筛选出故障样本对应的故障候选变量；所述故障候选变量为若干个所述卫星遥测变量中部分变量； 对各所述故障样本的故障候选变量应用通道注意稀疏因果网络模型得出故障候选变量之间的因果矩阵； 根据所述因果矩阵确定故障候选变量间的因果拓扑以实现故障传播路径的识别和故障根因的定位； 其中，对每一故障样本，利用基于LASSO的故障隔离方法筛选出故障样本对应的故障候选变量，具体包括： 对每一故障样本，构建故障样本重构的约束优化模型； 将所述故障样本重构的约束优化模型转化为与LASSO形式相同的约束组合优化模型； 求解与LASSO形式相同的约束组合优化模型，得出每一故障样本对应的故障候选变量； 其中，与LASSO形式相同的约束组合优化模型为： 其中，y＝PLTx，Z＝PLT，β＝f； 式中，P为载荷矩阵；A是由前k个特征值组成的对角矩阵，L是A-1经过Cholesky分解后所得的下三角矩阵；λ为权重；x为故障样本；f为故障向量； 其中，对各所述故障样本的故障候选变量应用通道注意稀疏因果网络模型得出故障候选变量之间的因果矩阵，具体包括： 以第一预设时间段的故障候选变量为模型输入，利用通道注意稀疏因果网络模型输出第二预设时间段的故障候选变量预测数据；第二预设时间段的时间点大于第一预设时间段的时间点； 根据第一预设时间段的故障候选变量、第二预设时间段的故障候选变量预测数据和施加于模型权重值的相关正则化计算模型的损失； 当确定模型的损失最小时的模型权重值为故障候选变量之间的因果矩阵； 其中，模型的损失最小时的模型权重值的计算表达式为： 其中，W表示模型权重；λGL表示LASSO稀疏惩罚系数；λRidge表示岭回归系数；X表示第一预设时间段的故障候选变量；表示第二预设时间段的故障候选变量预测数据；||·||表示L2范式。

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南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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。