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！

龙图腾网恭喜招商新疆特种设备检验技术研究院有限公司;嘉兴大学申请的专利一种基于数据驱动的铬钼钒钢蠕变寿命预测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：CN119377732B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202411416256.0，技术领域涉及：G06F18/24；该发明授权一种基于数据驱动的铬钼钒钢蠕变寿命预测方法是由别尔兰·贾纳依汗;李尤;李鹏;苗锐;叶伟;陈思宇;王亮;艾斯帕尔·艾尔肯江;杨蕊设计研发完成，并于2024-10-11向国家知识产权局提交的专利申请。

本一种基于数据驱动的铬钼钒钢蠕变寿命预测方法在说明书摘要公布了：本发明公开了一种基于数据驱动的铬钼钒钢蠕变寿命预测方法，包括：步骤S1，数据采集，将采集的数据转化为结构化数字格式，并对数据进行人工标注；步骤S2，采用基于双曲空间嵌入的生成对抗网络算法进行样本生成，进而对数据进行扩充；步骤S3，采用基于动态群体进化优化的神经网络算法作为特征提取模型，对扩充后的数据进行特征提取模型的训练；步骤S4，采用基于特征细化的自编码神经网络作为特征降维模型，对特征提取后的数据进行特征降维模型的训练；步骤S5，采用基于量子态转移的分数阶神经网络作为分类器模型，对降维后的数据进行分类器模型的训练；步骤S6，利用完全训练完成的模型来处理和预测新样本。本发明提升了对材料蠕变寿命的预测能力。

本发明授权一种基于数据驱动的铬钼钒钢蠕变寿命预测方法在权利要求书中公布了：1.一种基于数据驱动的铬钼钒钢蠕变寿命预测方法，其特征在于，包括：步骤S1，数据采集，将采集的数据转化为结构化的数字格式，并对数据进行人工标注；步骤S2，采用基于双曲空间嵌入的生成对抗网络算法进行样本生成，进而对数据进行扩充；步骤S3，采用基于动态群体进化优化的神经网络算法作为特征提取模型，对扩充后的数据进行特征提取模型的训练；步骤S4，采用基于特征细化的自编码神经网络作为特征降维模型，对特征提取后的数据进行特征降维模型的训练；步骤S5，采用基于量子态转移的分数阶神经网络作为分类器模型，对降维后的数据进行分类器模型的训练；步骤S6，利用完全训练完成的特征提取模型、特征降维模型和分类器模型来处理和预测新样本，进而得到预测铬钼钒钢蠕变寿命的分类结果；所述步骤S2中，基于双曲空间嵌入的生成对抗网络算法的训练流程如下：步骤S21，初始化生成器和判别器的网络参数；初始化的方式表示为： 式中，Wc表示生成对抗网络的权重矩阵，bc表示表示生成对抗网络的偏置向量；～表示服从于特定分布，表示正态分布，表示均值为0、方差为1的正态分布；步骤S22，将原始数据映射到双曲空间中，通过映射函数保留数据的内在层次结构和复杂特性；使用双曲正切函数进行非线性转换，表示为： 式中，Xc为原始数据向量，表示原始数据向量的第i个分量，αc是扩展参数，用于调整嵌入的敏感度，dnew为嵌入维度，表示映射后的双曲空间中的数据向量，为调整映射强度的第一参数，用于控制数据在双曲空间中的分布密度，为调整映射强度的第二参数，用于控制数据在双曲空间中的结构；并采用动态调节机制使得嵌入维度可以根据数据的实时特性进行调整，计算方式表示为：dnew＝δcXc，θd＝dbase+roundθd·varXc+skewXc；式中，δc为动态维度调节函数，θd是调节系数，用于控制维度调整的敏感性，dbase是基础嵌入维度，varXc和skewXc分别表示数据的方差和偏度，用于反映数据的分布特性；步骤S23，在双曲空间中，生成器通过优化损失函数实现创建新的数据样本，并通过生成器产生判别器难以区分的假数据；生成器的损失函数表示为： 式中，Gc为生成器，Dc为判别器，Gc为生成器函数，表示生成的假数据，Dc为判别器函数，zc是输入噪声分布，表示生成器的损失函数，φc为复合函数，θc为生成器的参数，表示条件依赖的正则化项，Cc为条件变量，即数据变量；条件依赖的正则化项的计算方式表示为： 式中，λr是正则化系数，用于控制正则化项的影响强度，||||为L2范数，表示期望；复合函数结合生成数据和参数，用于增加数据生成过程的复杂度和可调节性，计算方式表示为： 式中，Sig是sigmoid激活函数，μc是增加模型对噪声的敏感性的调节项；步骤S24，通过训练判别器来提高生成器识别真伪样本的准确性；判别器的损失函数表示为： 式中，表示判别器的损失函数，DcXc表示判别器对原始数据向量的评估，DcGczc表示判别器对生成数据的评估，ψc为判别结果处理函数，γc为控制函数的斜率，用于增强模型对真假数据分类的判断力；判别结果处理函数利用控制函数的斜率参数来调整判别敏感度，计算方式表示为： 式中，Dcs表示判别器的判别结果，即DcGczc；步骤S25，在每一步生成数据的同时，通过特征金字塔结构对生成的数据进行多尺度的优化，捕获不同尺度的数据特征；即优化后的数据表示为： 式中，Pc为特征金字塔函数，λk为层级权重，convk为第k层的基础卷积操作，conv′k为该层的辅助卷积操作，用于捕获额外的细节特征，为优化后的生成数据，Kcs为卷积层的数量，ξk为控制辅助卷积贡献的参数；步骤S26，在迭代过程中，优化生成器和判别器直到收敛；参数的优化方式表示为： 式中，ηc为生成对抗网络的学习率，和分别为权重和偏置的梯度，为总损失函数，包括生成器和判别器的损失之和，为更新前的生成对抗网络的权重，为更新前的生成对抗网络的偏置，为更新后的生成对抗网络的权重，为更新后的生成对抗网络的偏置；步骤S27，重复迭代所述步骤S21-步骤S26，直至满足预设的停止迭代条件，即表示基于双曲空间嵌入的生成对抗网络算法训练完成；其中，预设的停止迭代条件为达到预设的最大迭代次数，预设的最大迭代次数设置为1000次；所述步骤S5中，基于量子态转移的分数阶神经网络训练流程如下：步骤S51，初始化分数阶神经网络，定义分数阶神经网络的神经元为量子神经元，为分数阶神经网络中的每一个量子神经元设定参数；其中，参数包括量子门的角度和相位，以及神经网络权重和偏置，初始化过程表示为： 式中，表示均匀分布，θu和φu分别为量子门的角度和相位，均匀分布于[0，2π]，Wu和bu是分数阶神经网络的权重和偏置，遵循均值为0、标准差为1的正态分布；步骤S52，在前向传播阶段，输入的特征降维后的数据首先被编码为量子比特，每个量子比特通过量子门进行操作，实现非经典的信息处理；量子门的转换函数的计算方式表示为： 式中，Gu表示量子门操作，i*为虚数单位，Xu为输入到分数阶神经网络的数据，即特征降维后的数据，θu和φu调控门的角度和相位，使得Xu经历复数域的转换，以模拟量子态的超位置效应；步骤S53，采用分数阶激活函数，其阶数根据训练过程中的误差动态调整，用于优化学习过程和增强模型的非线性表达能力；具体的，设分数阶导数为其中αu是动态调整的分数阶参数，使得激活函数能够更灵活地响应输入的变化，得到的分数阶导数不仅能够反映局部变化，也能够捕捉整体的趋势，适用于处理非线性高度变化的数据，计算方式表示为： 式中，Sig为Sigmoid激活函数，表示对fu的分数阶导数，αu是分数阶参数，m是αu的整数部分的下一个整数，是伽马函数，用于标准化，Sigm是Sigmoid激活函数的m阶导数；步骤S54，使用量子态的梯度信息来计算损失函数的导数，并利用分数阶导数更新网络的权重和偏置；分数阶神经网络参数的更新增量表示为： 式中，ΔWu为分数阶神经网络的权重更新增量，Δbu为分数阶神经网络的偏置更新增量，ηu是分数阶神经网络的学习率，是分数阶神经网络的损失函数，损失函数采用交叉熵损失函数；在反向传播中损失函数的梯度计算过程中，采用量子梯度通过量子态干涉效应得到增强，则损失函数关于权重的梯度计算方式表示为： 式中，表示量子梯度增强项，通过量子态的相位干涉来增强或减弱梯度的效应，⊙表示Hadamard乘积；步骤S55，重复执行前向传播和后向传播，在每一次迭代中，更新分数阶神经网络的权重和偏置参数；表示为： 式中，表示第t次迭代的分数阶神经网络的权重，表示第t次迭代的分数阶神经网络的偏置，表示第t+1次迭代的分数阶神经网络的权重，表示第t+1次迭代的分数阶神经网络的偏置，R为重编码函数；重编码函数为自适应学习率调整和参数范围限制的复合函数，计算方式表示为：Rp，Δp，η＝p+η0·fΔp，p，η；式中，f是调制函数，用于根据当前参数p、更新量Δp和学习环境的反馈来调整重编码函数的学习率η，η0为重编码函数的初始学习率；基于参数的梯度幅度、以往的更新历史，调制函数的计算方式表示为： 式中，g是关于学习率的调整函数，增加或减少学习率，取决于过去的更新效率，∈是一个小常数，防止除以零；在每次迭代后，根据模型的训练精度Pu，动态调整gη，表示为：gη＝η·exp-γ·1-Pu；式中，γ是控制学习率调整的敏感度超参数；步骤S56，重复迭代所述步骤S51-步骤S55，直至满足预设的停止迭代条件，即表示基于量子态转移的分数阶神经网络训练完成；其中，预设的停止迭代条件为达到预设的最大迭代次数，预设的最大迭代次数设置为1000次。

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招商新疆特种设备检验技术研究院有限公司;嘉兴大学，其通讯地址为：830013 新疆维吾尔自治区乌鲁木齐市高新区(新市区)河北东路188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”。