申请/专利权人：山东新旋工业装备科技有限公司

申请日：2024-04-09

公开（公告）日：2024-06-25

公开（公告）号：CN118016218B

主分类号：G16C60/00

分类号：G16C60/00;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.05.28#实质审查的生效;2024.05.10#公开

摘要：本发明涉及数据处理技术领域，具体涉及用于耐高温旋转接头材料性能数据智能分析方法，包括：获取耐高温旋转接头材料在耐高温测试过程中的数据样本序列以及理想数据样本序列，并对其进行迭代滤波处理，得到若干次迭代滤波的数据样本序列；获取数据样本序列中每个时刻的数据的重要程度，得到每一次迭代滤波的数据样本序列的加权误差程度；根据每一次迭代滤波的数据样本序列的自适应算法学习率和加权误差程度，得到每一次迭代滤波的更新数据样本序列，得到滤波降噪后的数据样本序列，并输入到训练后的深度神经网络中，输出耐高温旋转接头材料性能的检测结果。本发明提高了对耐高温旋转接头材料性能分析结果的准确性。

主权项：1.用于耐高温旋转接头材料性能数据智能分析方法，其特征在于，该方法包括以下步骤：获取耐高温旋转接头材料在耐高温测试过程中的数据样本序列以及理想数据样本序列；对数据样本序列以及理想数据样本序列进行迭代滤波处理，得到若干次迭代滤波的数据样本序列；根据数据样本序列中所有时刻的数据之间的差异，得到数据样本序列中每个时刻的数据的重要程度；根据数据样本序列中每个时刻的数据的重要程度以及每一次迭代滤波的数据样本序列与数据样本序列之间的数据的差异，得到每一次迭代滤波的数据样本序列的加权误差程度；根据每一次迭代滤波的数据样本序列的加权误差程度以及数据样本序列中的数据，得到每一次迭代滤波的数据样本序列的自适应算法学习率；根据每一次迭代滤波的数据样本序列的自适应算法学习率和加权误差程度，对每一次迭代滤波的数据样本序列进行调整，得到每一次迭代滤波的更新数据样本序列；根据每一次迭代滤波的更新数据样本序列，得到滤波降噪后的数据样本序列；将滤波降噪后的数据样本序列输入到训练后的深度神经网络中，输出耐高温旋转接头材料性能的检测结果；所述根据数据样本序列中所有时刻的数据之间的差异，得到数据样本序列中每个时刻的数据的重要程度，具体计算公式为： 其中，表示在数据样本序列中第时刻数据的重要程度；表示在数据样本序列中第时刻的数据；表示数据样本序列中所有时刻的数据的均值；表示数据样本序列中所有时刻的数据的标准差；表示在数据样本序列中第时刻与第时刻之间的数据的变化率；表示在数据样本序列中第时刻与第时刻之间的数据的变化率；表示数据样本序列的拟合直线的斜率；表示在数据样本序列中第时刻数据的斜率；为线性归一化函数；为绝对值函数；所述根据每一次迭代滤波的数据样本序列的加权误差程度以及数据样本序列中的数据，得到每一次迭代滤波的数据样本序列的自适应算法学习率，具体计算公式为： 其中，表示第次迭代滤波的数据样本序列的自适应算法学习率；表示数据样本序列中所有时刻的数据中的最大值；表示数据样本序列中所有时刻的数据中的最小值；表示数据样本序列中所有时刻的数据的方差；表示在数据样本序列中第时刻的数据；表示数据样本序列中所有时刻的数据的均值；表示数据样本序列中所有时刻的数据的标准差；表示数据样本序列中数据的数量；表示第次迭代滤波的数据样本序列与第次迭代滤波的数据样本序列的加权误差程度的梯度值；表示第次迭代滤波的数据样本序列与第次迭代滤波的数据样本序列的加权误差程度的梯度值；表示第次迭代滤波的数据样本序列的加权误差程度；表示第次迭代滤波的数据样本序列的加权误差程度；表示第次迭代滤波的数据样本序列的加权误差程度；为线性归一化函数；为绝对值函数；结合材料的特征建立一个数值模型，并设定模拟参数和模拟环境；利用数值模拟软件，对材料加热过程中的表面温度变化进行模拟，得到材料在耐高温测试过程中的表面温度变化的理想数据样本序列。

全文数据：

权利要求：

百度查询： 山东新旋工业装备科技有限公司 用于耐高温旋转接头材料性能数据智能分析方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD