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！

龙图腾网获悉沈阳化工大学申请的专利一种基于卷积神经网络和权重模型的工业过程故障检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：CN116842332B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202310531417.X，技术领域涉及：G06F18/20；该发明授权一种基于卷积神经网络和权重模型的工业过程故障检测方法是由谢莹;胡范超;刘雪伟;朱愿;鲁振杰设计研发完成，并于2023-05-12向国家知识产权局提交的专利申请。

本一种基于卷积神经网络和权重模型的工业过程故障检测方法在说明书摘要公布了：一种基于卷积神经网络和权重模型的工业过程故障检测方法，涉及一种工业过程故障检测方法，本发明采集工业生产过程的数据进行标准化处理；其次将标准化处理的数据分别输入到时间步注意力卷积机制和通道步注意力卷积机制中；再次将捕获局部信息的两部分数据分别融入通道步注意力机制和时间步注意力机制；然后通过Gumbel‑SoftMax函数计算携带有时间步特征信息和携带有通道步特征信息的权重；最后将两个权重值分别与时间步特征信息和通道步特征信息相结合，通过逻辑回归得到检测结果。本发明有效解决了Transformer模型局部信息抽取能力不足和对通道维度关注度不足的问题。实验表明本发明方法可以有效进行工业过程故障检测。

本发明授权一种基于卷积神经网络和权重模型的工业过程故障检测方法在权利要求书中公布了：1.一种基于卷积神经网络和权重模型的工业过程故障检测方法，其特征在于，所述方法基于卷积神经网络和权重计算的Transformer模型，将该模型应用于工业过程故障检测，包括以下步骤： 步骤一：采集工业过程中N个样本数据X∈RN×k，X＝[X1,X2,…,Xi,…XN]T，其中k表示数据的通道数，N表示采集的样本总数，Xi表示数据X中第i个样本，i∈[1,N]，对X进行标准化处理，标准化处理如公式1-3所示： 其中，公式1和2分别得到训练数据集的均值和方差，根据公式3使用训练数据集的均值和方差Strain对X进行标准化处理； 步骤二：将输入数据X进行分段从而减少计算复杂性；假设划分的每个片段的长度为Lseg，每个序列要分成L个片段，得到输入记为划分过程如公式4所示： 步骤三：在数据时间维度和通道维度上分别进行局部信息特征提取；时间维度上：对输入信息增添位置编码，添加了位置编码PositionalEncoding，PE，通过使用正弦和余弦函数标记位置信息；位置编码如公式5和6所示： 其中pos为时序数据在序列中的位置索引，i为向量的某一维度；通道维度上将输入信息进行转置；在时间维度上将通道数通过全连接神经网络FullyConnectedNeuralNetwork,FC映射至高维空间，得到其中dmodel为通道数映射得到的维度；在通道维度上将时间步通过全连接神经网络映射至高维空间得到其中dmodel为时间步映射得到的维度；随后将Xt和Xc输入到多层卷积结构，每层卷积配置了不同大小的卷积核来提取局部特征信息；与此同时，卷积得到的特征信息可能存在冗余，因此使用平均池化层剔除特征的冗余信息，提升训练模型的鲁棒性；此外，加入Bn层防止梯度爆炸和梯度消失，添加残差连接模块关注差异部分；最后得到时间维度局部信息Xconvt和通道维度局部信息Xconvc；上述公式为： Xconvt＝X'+max0,BnpoolingConvnX'+pe7 Xconvc＝X'+max0,BnConvnpoolingX'T8 其中，Xconvt表示时间维度局部信息，X'表示输入序列数据，pooling表示平均池化，Convn表示卷积操作，Bn表示批标准化，pe表示位置编码信息，Xconvc表示通道维度局部信息，X'T表示输入信息X'的转置； 步骤四：将卷积神经网络提取的时间步局部信息Xconvc和通道步局部信息Xconvc分别进入多头时间步注意力机制Trmtime和多头通道步注意力机制Trmchannel获取时间维度全局信息和通道维度的全局信息在多头自注意力机制中首先通过多个不同的线性变换将时间步局部信息Xconvt转化为不同子空间内的每个子空间内只关注dv＝dk个维度的信息，在每个子空间内先将Qi和Ki的转置进行点积来计算每个特征间的注意力权重矩阵，再使用softmax函数对注意力权重矩阵进行归一化，最后与Vi进行加权求和，则得到一个子空间内的特征之间关联性输出将每个子空间内的输出使用Concat函数进行拼接，再经过线性变换得到多头自注意机制的输出Xh，随后添加了残差连接模块来简化网络训练，减少网络退化；相关公式如下所示： Qi＝XConvt·WQ，Ki＝XConvt·WK，Vi＝XConvt·WV9 Xh＝ConcatHead1,Head2,...,HeadhWO11 Xtime＝XConvt+Xh12 其中，表示经过多头注意力机制后带有全局信息的数据，Xh表示多头自注意机制的输出，为线性变换矩阵，是缩放因子，它的引入是为了防止梯度过小和注意力权重分散；同理，通道维度的变化与上相同，即将时间步局部信息Xconvc更换为通道步局部信息Xconvc，得到通道维度的全局信息 步骤五：加入计算权重的Gumbel-SoftMax函数，对Xtime和Xchannel做出计算，得到时间维度权重占比t和通道维度权重占比c，同时将两个维度的特征信息分别与对应权重相乘之后经过Concat进行拼接；最后通过全连接层得到分类结果Xout∈RN×1；相关公式如下所示： t,c＝gumXtime,Xchannel13 Xout＝maxlinearConcatXtime*t,Xchannel*c14 其中t表示时间维度的权重占比，c表示通道维度的权重占比，gum表示Gumbel-SoftMax函数，Xout表示分类结果，linear表示全连接层，Concat表示拼接函数；再使用Sigmoid函数将Xout中的值变化到[0,1]之间的某个数值，若经过Sigmoid函数处理后，其值大于等于0.5，则模型的最终检测结果为1，表明模型检测到该样本为故障样本，若值小于0.5，则模型的最终检测结果为0，表明模型检测到该样本为正常样本；上述公式如下所示： 其中sig表示Sigmoid函数； 步骤六：在Y和实际标签之间计算交叉熵损失函数，不断更新模型网络参数，保存性能最好的模型用于后续测试； 步骤七：故障检测阶段，过程如下： 1采集工业过程中的新数据Xtest∈R4000×16，使用训练数据的均值和方差Strain进行标准化处理 2将标准化处理后的数据Xtest输入到训练阶段保存的模型进行故障检测； 3对编码器的结果Xout使用全连接层映射至Xout∈RN×1，最后使用Sigmoid函数将Xout的数值转化为[0,1]之间的某个数值，若值大于等于0.5，令其值为1，说明模型检到该样本为故障样本；若值小于0.5，令其值为0，说明模型检测到该样本为正常样本。

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沈阳化工大学，其通讯地址为：110142 辽宁省沈阳市沈阳经济技术开发区11号街；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。