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！

龙图腾网获悉西安交通大学申请的专利核电循环水泵在线异常监测及辨识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：CN116398418B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202310369460.0，技术领域涉及：F04B51/00；该发明授权核电循环水泵在线异常监测及辨识方法是由成玮;王松;栗琳颖;刘一龙;陈雪峰;张乐;聂泽琳;高琳;邢继;张荣勇;黄倩设计研发完成，并于2023-04-07向国家知识产权局提交的专利申请。

本核电循环水泵在线异常监测及辨识方法在说明书摘要公布了：公开了一种核电循环水泵在线异常监测及辨识方法，方法中，在线获取循环水泵运行过程中的多源时序数据，通过专家分析模块给定数据标签，进行数据规范化处理并随机划分信号为训练集和测试集样本；在输入数据流仅包含健康数据时，基于特征层约束长短时自编码器的数据融合监测模块，注意力机制及门结构可充分挖掘数据的状态信息和潜在关联特性，实现健康样本下的状态监测；随着监测数据中异常数据出现，基于编码器特征进一步构建异常辨识网络，构建基于交叉熵、蒸馏损失及三元组损失的联合损失函数；采用邻近均值分类器实现对已知未知异常状态的在线监测及辨识。本方法具有较好的兼容性和扩展性，向运行维护人员推送更精准的状态监测结果。

本发明授权核电循环水泵在线异常监测及辨识方法在权利要求书中公布了：1.一种核电循环水泵在线异常监测及辨识方法，其特征在于，其包括以下步骤： 第一步骤，在线获取核电循环水泵运行过程中的多源时序数据并给定数据标签，对多源时序数据依次进行预定长度的不重叠采样，然后划分为训练集样本或测试集样本； 第二步骤，在核电循环水泵运行前期采集健康样本，构建长短时自编码器实现健康样本下的状态监测，其中采用最大均值差异作为正则化项用于对齐编码层特征分布和高斯分布，其中，给定潜在表示，其中d是潜在空间，h表示一次迭代中的所有时间步长,为h个子样本的对应特征，在再生核希尔伯特空间中选择高斯分布作为目标分布，最大均值差异计算如下 ， 其中，是样本xi的特征；是目标分布为高斯分布的采样结果；代表从样本特征空间到再生核希尔伯特空间的映射； 低维表示的分布和集合上的目标分布，最大均值差异定义为特征映射，其中H是个再生核希尔伯特空间，在一次迭代中计算集合X上的最大均值差异，其中X的数量等于训练批量大小B与数据长度的乘积； 第三步骤，在核电循环水泵运行过程中监测到异常数据出现，基于长短时自编码器的编码器作为特征提取器并结合全连接神经网络作为分类器构建异常辨识网络，构建基于交叉熵、蒸馏损失及三元组损失的联合损失函数使得在学习新的数据时保留对旧数据的记忆，将长短时自编码器的编码器构建为异常辨识网络的特征提取器，联合损失函数中； 交叉熵LCE为： ， 其中，xi为样本输入；y为类别；yi为第i个样本的预测标签；s为新类别的样本标签；log为指数函数；gy为分类器；为判别函数，当且仅当y=yi时输出为1，否则为0； 蒸馏损失LDL用于在新模型中复现旧样本在原模型的输出，以抑制对已学习知识的遗忘： ， 其中，qi是原模型对旧样本的预测输出；s-1代表已学习类别数； 三元组损失函数为： ， 其中，为神经网络对样本xi的输出；m为设定的最小边界距离，C类的称为锚，来自C类称为正样本，来自其他类分别称为负样本； 第四步骤，采用邻近均值分类器对核电循环水泵的实时数据在线监测及辨识，对异常辨识网络输出第y类健康状态样本特征，求平均特征向量μy： ， 其中，Py是类别y的范例集合；为特征提取器的映射函数；m为类别y的样本个数； 用欧氏距离区分样本类别，并将待分类样本归类到与平均特征向量最邻近的类别中： ， 其中，t是最终学习的类别总数；为类别预测值； 基于健康样本的重构误差设定异常监测阙值，当重构误差高于异常监测阙值时认定为异常数据，多源时序数据包括电机底座Z向振动加速度、齿轮箱箱体Z向振动加速度信号、泵导轴承Z向振动加速度、齿轮箱输出轴附近声压、齿轮箱输出轴X向位移和齿轮箱输出轴Y向位移，长短时记忆神经网络包括门单元和存储单元，长短时记忆神经网络生成向量并选择介于0和1之间的候选信息，在输入门中，向量It由隐藏状态ht-1和当前步骤的输入xt生成，设fg、fi、fc、fo、fh为不同阶段激活函数，wi、wg、wo为加权矩阵，bi、bg、bo为偏差，生成过程表示为： 遗忘门F决定了先前单元的状态Ct-1是否应该保留，表示为： 然后，由x和ht-1生成输入候选信息 进一步，得到当前的单元状态C为： 输出门还生成一个向量Y 最后，根据Y和C得到了隐藏状态h 采用均方误差作为损失函数实现对长短时记忆神经网络的训练，均方误差LMSE表示为： 其中，N为所有类别的样本总数；为模型输入数据；为重构数据，LSTM-AE将长短时记忆神经网络与自动编码器相结合，LSTM-AE采用编码器E和解码器D的组成实现了对输入信号的压缩与重构。

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西安交通大学，其通讯地址为：710049 陕西省西安市咸宁西路28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。