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！

龙图腾网获悉浪潮通用软件有限公司申请的专利基于因果正则化的工业时序事件分析方法、设备及介质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：CN120654104B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202511164813.9，技术领域涉及：G06F18/2415；该发明授权基于因果正则化的工业时序事件分析方法、设备及介质是由李汪洋;王腾江;周祥国;刘菲;黄文超;陈兆瑞;王冬豪;刘啸宇设计研发完成，并于2025-08-20向国家知识产权局提交的专利申请。

本基于因果正则化的工业时序事件分析方法、设备及介质在说明书摘要公布了：本申请公开了一种基于因果正则化的工业时序事件分析方法、设备及介质，涉及人工智能技术领域，方法包括：对多元时间序列数据进行多尺度时序特征编码，得到时序特征数据；对时序特征数据进行概率分布的潜在向量重构，以确定重构损失和距离度量损失；基于先验因果图，通过无环性约束平衡分析，得到因果一致性损失函数；对因果一致性损失函数进行超参数的一致性处理，以确定总体损失函数，得到最小化总体损失；通过少量样本微调至模型收敛，确定隐式标签的CT‑VAE模型；将数据窗口输入模型中，以得到事件分析结果和事件诊断报告。本申请通过上述方法解决了现有技术中工业时序事件分析鲁棒性差、识别误差高、无法满足隐式关键事件辨识的技术问题。

本发明授权基于因果正则化的工业时序事件分析方法、设备及介质在权利要求书中公布了：1.一种基于因果正则化的工业时序事件分析方法，其特征在于，所述方法包括： 从工业现场的多个传感器获取多元时间序列数据，并对所述多元时间序列数据进行多尺度时序特征编码，以得到时序特征数据；其中，所述多个传感器用于测量功率、电流、风速、压力、振动、温度； 对所述时序特征数据进行概率分布的潜在向量重构，以确定重构损失和距离度量损失； 构建先验因果图，并基于所述先验因果图，通过无环性约束平衡分析，得到因果一致性损失函数； 根据所述重构损失和所述距离度量损失，对所述因果一致性损失函数进行超参数的一致性处理，以确定总体损失函数，并对所述总体损失函数进行无监督训练，以得到最小化总体损失； 获取潜在表示数据，并基于所述潜在表示数据和所述最小化总体损失对应的CT-VAE模型，通过少量样本微调至模型收敛，确定隐式标签的CT-VAE模型； 将数据窗口输入至所述隐式标签的CT-VAE模型中，并对所述数据窗口进行事件诊断推理，以得到事件分析结果和事件诊断报告； 基于所述先验因果图，通过无环性约束平衡分析，得到因果一致性损失函数，具体包括： 对所述先验因果图进行知识编码，以确定所述先验因果图的强制边； 基于所述先验因果图的强制边，通过时序因果发现分析，得到更新文档化因果图； 将所述先验因果图与所述更新文档化因果图整合，确定总因果图； 根据所述总因果图，通过隐式因果图差异分析，得到差异损失项； 对所述差异损失项进行无环性约束平衡，以得到所述因果一致性损失函数； 基于所述潜在表示数据和所述最小化总体损失对应的CT-VAE模型，通过少量样本微调至模型收敛，确定隐式标签的CT-VAE模型，具体包括： 对所述潜在表示数据进行置信度样本判别，以确定高置信度事件样本集；其中，所述置信度样本判别包括：样本判别、置信度判别、样本置信度阈值过滤； 基于所述高置信度事件样本集，通过潜在空间的异常事件数据簇推离，得到异常簇聚类； 根据所述异常簇聚类，训练所述CT-VAE模型至模型收敛，确定所述隐式标签的CT-VAE模型。

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浪潮通用软件有限公司，其通讯地址为：250101 山东省济南市历下区浪潮路1036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。