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！

龙图腾网获悉宁波考比锐特智能科技有限公司;考比锐特(武汉)数智科技有限公司申请的专利数字孪生与深度强化学习的智慧工厂故障预测自修复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：CN121143258B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202511686214.3，技术领域涉及：G05B19/418；该发明授权数字孪生与深度强化学习的智慧工厂故障预测自修复系统是由潘中祥;黄江昆;裴东良;崔宽;颜永文设计研发完成，并于2025-11-18向国家知识产权局提交的专利申请。

本数字孪生与深度强化学习的智慧工厂故障预测自修复系统在说明书摘要公布了：本发明涉及智慧工厂故障诊断、自适应控制以及人工智能技术领域，具体为数字孪生与深度强化学习的智慧工厂故障预测自修复系统。包括多源状态数据同步采集单元，用于实时采集物理状态向量，并获取虚拟状态向量；认知分歧量化单元，用于计算模型‑现实偏差率以及策略置信度；系统模式切换判定单元，用于合成认知熵，并生成利用模式信号或探索模式信号；在线物理规律辨识与孪生模型重构单元，用于响应于探索模式信号，激活探索性动作策略，辨识新物理规律模型参数，并对数字孪生模型进行重构；自适应深度强化学习策略再生成单元，用于生成新最优策略，并驱动系统切换至利用模式。本发明实现了模式切换的精准、高效与稳定，提升了系统整体运行效率。

本发明授权数字孪生与深度强化学习的智慧工厂故障预测自修复系统在权利要求书中公布了：1.数字孪生与深度强化学习的智慧工厂故障预测自修复系统，其特征在于，包括： 多源状态数据同步采集单元，用于实时采集物理设备的物理状态向量，并同步获取数字孪生模型预测的虚拟状态向量； 认知分歧量化单元，用于计算模型-现实偏差率以及策略置信度；其中，模型-现实偏差率的计算是依据物理状态向量与虚拟状态向量进行；策略置信度的计算是依据从深度强化学习智能体提取的状态动作价值函数进行； 系统模式切换判定单元，用于合成认知熵，并将认知熵与预设的临界切换阈值进行比对分析，生成利用模式信号或探索模式信号； 在线物理规律辨识与孪生模型重构单元，用于响应于探索模式信号，激活探索性动作策略，辨识新物理规律模型参数，并对数字孪生模型进行重构； 自适应深度强化学习策略再生成单元，用于基于重构后的数字孪生模型进行策略再训练，生成新最优策略，并部署新最优策略以驱动系统切换至利用模式； 模型-现实偏差率的计算过程如下： 计算无量纲相对偏差；其中，无量纲相对偏差，是通过对物理状态向量与虚拟状态向量的各分量计算绝对偏差，并除以对应的归一化基准得到； 将各分量的无量纲相对偏差乘以对应的权重后求和，生成综合偏差率； 将综合偏差率设定为模型-现实偏差率； 其中，归一化基准来源于物理设备历史正常运行数据中的统计量；权重是根据各物理量对设备整体健康状态的重要性预先设定的； 策略置信度的计算过程如下： 获取由深度强化学习智能体的价值网络计算得出的状态动作价值函数； 计算状态动作价值函数的方差； 将方差的倒数设定为策略置信度； 策略置信度的计算过程由以下公式精确表示： 其中，：策略置信度，无量纲，由本步骤计算得出； ：状态-动作价值函数分布的均值，与价值单位量纲一致，由DRL智能体的价值网络计算得出； ：状态-动作价值函数分布的方差，与价值单位的二次方量纲一致，由DRL智能体的价值网络计算得出； 认知熵的合成过程如下： 将模型-现实偏差率除以预设的参考偏差阈值，进行归一化处理，得到相对偏差度量； 对策略置信度进行非线性变换处理； 将相对偏差度量与策略置信度经非线性变换处理后的结果相乘，生成认知熵； 认知熵Hc的合成过程由以下公式精确表示： 其中，Hc：认知熵，无量纲，由本步骤计算得出； ：模型-现实偏差率，无量纲，由认知分歧量化单元计算得到； ：参考偏差阈值，无量纲，通过对历史正常工况下的分布进行统计分析预设； ：策略置信度。

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宁波考比锐特智能科技有限公司;考比锐特(武汉)数智科技有限公司，其通讯地址为：315600 浙江省宁波市宁海县桃源街道桃源北路2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。