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！

龙图腾网获悉成都西交轨道交通装备科技有限公司申请的专利基于深度学习的复合结构损伤形态监测方法及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：CN121117580B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202511677246.7，技术领域涉及：G06F18/213；该发明授权基于深度学习的复合结构损伤形态监测方法及系统是由王鼎;王明猛;王伟;房毓臣;吴鹤翔;王雪梅设计研发完成，并于2025-11-17向国家知识产权局提交的专利申请。

本基于深度学习的复合结构损伤形态监测方法及系统在说明书摘要公布了：本发明公开了一种基于深度学习的复合结构损伤形态监测方法及系统，包括如下步骤：采集复合结构在受载状态下的多源监测数据，执行预处理；采用延时坐标嵌入方法在高维相空间中重构损伤演化轨迹，并执行维度约简，生成混沌动力学低维轨迹；提取奇异吸引子特征，生成奇异吸引子特征集合；通过改进的Linformer损伤识别网络进行序列建模，生成预测向量；基于预测向量对改进的Linformer损伤识别网络进行训练，并引入非线性动力学约束，生成非线性动力学约束的损伤识别网络；进行损伤形态分类和损伤演化预测。本发明融合动力学与深度学习，实现复合结构损伤监测，具备准确性高、稳定性强和预警可靠的优点。

本发明授权基于深度学习的复合结构损伤形态监测方法及系统在权利要求书中公布了：1.一种基于深度学习的复合结构损伤形态监测方法，其特征在于，包括如下步骤： 采集复合结构在受载状态下的多源监测数据，执行噪声滤除、归一化、时间对齐和空间配准处理，生成标准化监测数据序列； 基于标准化监测数据序列，采用延时坐标嵌入方法在高维相空间中重构损伤演化轨迹，得到损伤演化时序流形，对损伤演化时序流形执行维度约简，生成混沌动力学低维轨迹； 在混沌动力学低维轨迹中提取奇异吸引子特征，生成奇异吸引子特征集合； 将奇异吸引子特征集合输入改进的Linformer损伤识别网络，进行序列建模，生成损伤形态特征表示，并通过全连接网络生成预测向量； 基于预测向量对改进的Linformer损伤识别网络进行训练，并引入非线性动力学约束作为正则化条件嵌入联合损失函数，生成非线性动力学约束的损伤识别网络； 使用非线性动力学约束的损伤识别网络进行损伤形态分类和损伤演化预测，生成损伤类别和损伤演化趋势； 所述标准化监测数据序列的生成具体包括： 在复合结构受载状态下，同步采集声发射信号、超声波检测信号、振动响应信号和图像数据，得到多源监测数据； 对声发射信号、超声波检测信号和振动响应信号执行噪声滤除处理，去除环境干扰成分，得到噪声滤除信号集合； 对图像数据执行噪声滤除处理，降低图像采集过程中的背景干扰和成像伪影，得到噪声滤除图像数据； 对噪声滤除信号集合执行幅值归一化处理，得到归一化信号集合； 对噪声滤除图像数据执行像素灰度归一化处理，将像素灰度范围映射至统一区间，得到归一化图像数据； 对归一化信号集合执行时间对齐处理，使其在时间索引上保持一致； 对归一化图像数据执行空间配准处理，选定基准图像帧，通过像素级位置调整完成所有图像帧的空间对齐； 在每一个时间索引下，将声发射信号的幅值分量、超声波检测信号的幅值分量、振动响应信号的幅值分量和图像数据的像素灰度分量组合为监测向量，所有监测向量依时间顺序排列，生成标准化监测数据序列； 所述混沌动力学低维轨迹的生成具体包括： 对标准化监测数据序列采用延时坐标嵌入方法执行延迟坐标嵌入处理，设定嵌入维数和时间延时参数，将每一时间点的监测向量与若干延迟时间点的监测向量依次组合，形成包含多个时序分量的高维轨迹点集合； 将高维轨迹点集合按照时间顺序依次排列，构建高维相空间重构矩阵； 在高维相空间重构矩阵中，依据高维轨迹点之间的相似性度量建立邻接关系，连接相邻轨迹点形成损伤演化时序流形； 对损伤演化时序流形实施维度约简处理，利用非线性映射方法将高维轨迹点映射到低维空间，得到低维轨迹点集合； 将低维轨迹点集合依照时间索引顺序排列，生成混沌动力学低维轨迹； 所述预测向量的生成具体包括： 将奇异吸引子特征集合输入改进的Linformer损伤识别网络，所述改进的Linformer损伤识别网络包括输入特征构建层、频谱域变换层、低秩投影层、流形耦合注意力层和多层堆叠建模层； 在输入特征构建层，将奇异吸引子特征集合依时间索引顺序整理为输入特征矩阵； 对输入特征矩阵通过频谱域变换层执行傅里叶变换，得到频谱域特征矩阵； 将频谱域特征矩阵作为低秩投影层的输入，执行低秩投影处理，得到查询矩阵、键矩阵和值矩阵，所述低秩投影处理是指将低秩投影层的输入分别与相应的低秩投影权重矩阵相乘； 在流形耦合注意力层中使用流形耦合注意力机制，基于查询矩阵与键矩阵计算相似性权重，并将相似性权重与低维轨迹点集合构建的邻接关系矩阵进行加权融合，经过归一化处理生成流形耦合注意力权重矩阵： A=SoftmaxQKTr+μM； 其中，A表示流形耦合注意力权重矩阵，Softmax表示归一化，K表示键矩阵，Q表示查询矩阵，T表示转置操作，r表示缩放因子，μ表示调节流形邻接信息与相似性权重影响程度的超参数，M表示邻接关系矩阵； 将流形耦合注意力权重矩阵与值矩阵相乘，得到注意力加权表示矩阵，并将注意力加权表示矩阵与低秩投影层的输入执行残差连接与层归一化，生成第一层特征表示； 在多层堆叠建模层中，将第一层特征表示作为低秩投影层的输入，重新计算查询矩阵、键矩阵和值矩阵，并重复流形耦合注意力机制，得到多层特征表示序列，将最终层特征表示作为损伤形态特征表示，经过全连接网络处理，生成预测向量； 所述非线性动力学约束的损伤识别网络的生成具体包括： 对改进的Linformer损伤识别网络进行训练； 建立非线性动力学方程作为参考演化关系； 采用预测向量与真实标签向量之间的均方差构建预测误差度量； 将预测向量代入非线性动力学方程，并构建动力学一致性约束度量； 将预测误差度量和动力学一致性约束度量进行加权组合，建立联合损失函数； 基于联合损失函数使用梯度下降法对改进的Linformer损伤识别网络执行参数更新，迭代优化网络权重矩阵和偏置参数，直至联合损失函数收敛或者训练轮次达到预设上限，生成非线性动力学约束的损伤识别网络。

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成都西交轨道交通装备科技有限公司，其通讯地址为：610000 四川省成都市金牛区金牛大道营门口路45号迅驰大厦7楼701室；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。