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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利基于有向无环图的故障诊断方法、装置、设备和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：CN117666528B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202311362477.X，技术领域涉及：G05B23/02；该发明授权基于有向无环图的故障诊断方法、装置、设备和介质是由周鋆;左浩;黄婷;李昡熠;周锐;刘雅轩;苏建龙设计研发完成，并于2023-10-19向国家知识产权局提交的专利申请。

本基于有向无环图的故障诊断方法、装置、设备和介质在说明书摘要公布了：本申请属于故障诊断技术领域，涉及基于有向无环图的故障诊断方法、装置、设备和介质。方法包括：获取设备运行的观测数据，观测数据包括多个随机变量；采用编码器读取观测数据，并生成每个随机变量的嵌入序列；根据嵌入序列，采用多层感知器学习每个随机变量的局部随机策略，并采用神经网络判断观测数据中每个随机变量是父变量的概率，得到概率邻接矩阵；进行伯努利采样，并根据概率邻接矩阵，得到图矩阵；根据观测数据，计算图矩阵的得分函数；当神经网络收敛时，根据概率邻接矩阵，采用强化学习得到使得分函数最大的有向无环图；根据有向无环图进行设备运行过程中的故障诊断。本申请能够提高故障诊断的精度和效率。

本发明授权基于有向无环图的故障诊断方法、装置、设备和介质在权利要求书中公布了：1.基于有向无环图的故障诊断方法，其特征在于，包括： 获取设备运行的观测数据，所述观测数据包括多个随机变量； 采用编码器读取所述观测数据，并生成每个随机变量的嵌入序列；根据所述嵌入序列，采用多层感知器学习每个随机变量的局部随机策略，并采用神经网络判断所述观测数据中每个随机变量是父变量的概率，得到概率邻接矩阵； 进行伯努利采样，并根据所述概率邻接矩阵，得到图矩阵； 根据所述观测数据，计算所述图矩阵的得分函数； 当所述神经网络收敛时，根据所述概率邻接矩阵，采用强化学习得到使所述得分函数最大的有向无环图；根据所述有向无环图进行设备运行过程中的故障诊断； 采用编码器读取所述观测数据，并生成每个随机变量的嵌入序列；根据所述嵌入序列，采用多层感知器学习每个随机变量的局部随机策略，并采用神经网络判断所述观测数据中每个随机变量是父变量的概率，得到概率邻接矩阵，包括： 观测数据记为且，为由n条独立同分布的随机变量组成的数据矩阵； 采用编码器读取所述观测数据，并生成采样数据且；采用编码器读取所述采样数据，并生成每个随机变量的嵌入序列且；其中，表示隐藏层的数量，表示随机变量的嵌入； 根据所述嵌入序列，采用多层感知器MLP学习每个随机变量的局部随机策略： 式中，为每个随机变量的局部随机策略，为输出层神经网络，为中间层神经网络，为输入层神经网络，为输出层神经元权值，为中间层神经元权值，为输入层神经元权值； 采用神经网络判断所述观测数据中每个随机变量是父变量的概率，得到概率邻接矩阵： 式中，为概率邻接矩阵，为的转移概率； 根据所述观测数据，计算所述图矩阵的得分函数，包括： 观测数据记为且，为由n条独立同分布的随机变量组成的数据矩阵； 计算BDeu得分函数： 式中，为BDeu得分函数，为的实例化的数量，为的父集，为狄利克雷分布的超参数，为中同时包含和的元素个数，为的类别数，为等价样本的参数； 计算BIC得分函数： 式中，为BIC得分函数，为条件后验概率，为超参数； 根据BDeu得分函数以及BIC得分函数，计算所述图矩阵的得分函数： 式中，为图矩阵的得分函数，为或。

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中国人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109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。