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！

龙图腾网获悉北京科技大学申请的专利基于自适应损失的多任务铸坯质量缺陷预测方法及装置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：CN119539155B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202411552647.5，技术领域涉及：G06Q10/04；该发明授权基于自适应损失的多任务铸坯质量缺陷预测方法及装置是由刘艳;孙梦磊;林金辉;杨思琪;白晨成;张晓峰;殷绪成设计研发完成，并于2024-11-01向国家知识产权局提交的专利申请。

本基于自适应损失的多任务铸坯质量缺陷预测方法及装置在说明书摘要公布了：本发明提供一种基于自适应损失的多任务铸坯质量缺陷预测方法及装置，涉及人工智能技术领域。该方法包括：获取连铸生产样本数据集；对连铸生产样本数据集进行预处理，获得预处理后的样本数据集；构建初始的基于TabNet的多任务学习模型；根据预处理后的样本数据集对初始的基于TabNet的多任务学习模型进行训练，获得训练好的基于TabNet的多任务学习模型；获取待预测连铸生产数据；将待预测连铸生产数据进行预处理，获得预处理后的待预测连铸生产数据；将预处理后的待预测连铸生产数据输入训练好的基于TabNet的多任务学习模型中，获得连铸坯内部质量预测结果。采用发明可提高连铸坯内部质量缺陷预测的性能。

本发明授权基于自适应损失的多任务铸坯质量缺陷预测方法及装置在权利要求书中公布了：1.一种基于自适应损失的多任务铸坯质量缺陷预测方法，其特征在于，所述方法包括： S1、获取连铸生产样本数据集； S2、对所述连铸生产样本数据集进行预处理，获得预处理后的样本数据集； S3、构建初始的基于TabNet的多任务学习模型，包括： 特征选择模块、TabNet共享层、分裂层以及自适应损失模块； 其中，所述特征选择模块用于对输入数据进行特征选择； 其中，所述TabNet共享层用于提取高级别的特征； 其中，所述分裂层包括两个全连接层以及MLP分类头； 其中，所述自适应损失模块用于平衡不同任务的训练进度； S4、根据所述预处理后的样本数据集对所述初始的基于TabNet的多任务学习模型进行训练，获得训练好的基于TabNet的多任务学习模型，包括： S41、将所述预处理后的样本数据集输入所述初始的基于TabNet的多任务学习模型中，通过特征选择模块进行特征选择，获得选择好的特征集； S42、将选择好的特征集输入TabNet共享层中对高级特征进行提取，获得高级特征的特征表示； S43、将高级特征的特征表示输入分裂层中，通过两个全连接层以及MLP分类头进行计算，输出计算结果，根据计算结果进行任务匹配，获得铸坯质量缺陷预测结果； S44、根据铸坯质量缺陷预测结果，通过自适应损失模块对初始的基于TabNet的多任务学习模型进行训练，获得训练好的基于TabNet的多任务学习模型，包括： S441、初始化权重； S442、根据初始化权重，计算单轮中的总损失；根据单轮中的总损失，计算单个任务对整体任务的梯度范数；根据单个任务对整体任务的梯度范数，计算单个任务的相对方向训练速度； S443、根据单个任务对整体任务的梯度范数，计算所有任务的平均梯度范数； S444、根据所有任务在单轮中的平均梯度范数、单个任务对整体任务的梯度范数以及单个任务的相对方向训练速度，计算单轮中的梯度损失； S445、根据单轮中的梯度损失计算对于单轮中的权重，获得下一轮的权重；根据单轮中的总损失反向传播更新参数，通过对下一轮的权重进行规范化，更新权重； S446、判断当前是否满足训练轮数达到预设值，总损失下降梯度小于设定阈值，若满足，停止训练，输出训练好的模型；若不满足，返回步骤S441继续训练，直到满足预设的停止条件； S5、获取待预测连铸生产数据；将所述待预测连铸生产数据进行预处理，获得预处理后的待预测连铸生产数据；将所述预处理后的待预测连铸生产数据输入所述训练好的基于TabNet的多任务学习模型中，获得连铸坯内部质量预测结果。

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北京科技大学，其通讯地址为：100083 北京市海淀区学院路30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”。