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！

龙图腾网获悉东北石油大学申请的专利一种基于多源数据融合注意力机制的石油管道异常预警监控方法及系统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：CN120067935B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202510129756.4，技术领域涉及：G06F18/2433；该发明授权一种基于多源数据融合注意力机制的石油管道异常预警监控方法及系统是由董宏丽;王闯;赵雪峰;侯男;李佳慧;韩非;孟岚;商柔设计研发完成，并于2025-02-05向国家知识产权局提交的专利申请。

本一种基于多源数据融合注意力机制的石油管道异常预警监控方法及系统在说明书摘要公布了：一种基于多源数据融合注意力机制的石油管道异常预警监控方法及系统，石油管道的异常预警技术，旨在通过多源数据融合技术与深度学习技术，实现石油管道的早期微小渗漏异常检测。技术要点：从声波、温度、负压波、振动传感器中采集管道运行状态历史数据，构建数据集；获取时间序列分段编码，用于算法训练；构建融合注意力模块，用于算法训练；基于获取的多源数据融合注意力Transformer模型，采用对抗学习方法进行训练以预测石油管道未来运行状态；利用带有可学习尺度参数的高斯分布训练石油管道预警模型；利用已训练完毕的多源数据融合注意力Transformer模型作为石油管道异常预警模型，对未来运行状态异常行为进行识别并获取失效概率。本发明通过融合多源数据分析技术与深度学习技术，结合创新的高斯核缩放参数和失效概率计算方法，有效提升了石油管道异常预警的准确性和可靠性，特别是在微小渗漏检测方面具有重要的应用价值。

本发明授权一种基于多源数据融合注意力机制的石油管道异常预警监控方法及系统在权利要求书中公布了：1.一种基于多源数据融合注意力机制的石油管道异常预警监控方法，其特征在于，所述石油管道异常预警监控方法为面向多传感器数据集的石油管道异常预警方法，实现过程为： 步骤1：采集管道运行状态历史数据，构建数据集，形式为：，其中为回溯窗口的长度，为变量的维度，即传感器数量； 步骤2：设计分段序列嵌入方法，按照如下路径获取时间序列分段编码，用于算法训练： 步骤2.1：首先，将步骤1中收集数据集中每个变量的输入序列分割成长度为的多段非重叠序列： 1 2 其中，是第个时间序列分割段，长度为，维度为；是第个段落的第个步长，维度为； 步骤2.2：然后，通过可学习的线性变换和可训练的位置编码，将每个从步骤2.1中获取的时间序列分割段嵌入到一个向量中： 3 其中，代表被嵌入向量，是用于分段嵌入的可学习投影矩阵；是位置的可学习位置编码，用于提供时间模式的顺序性；得到表征的二维矢量数组，如下所示： 4 其中，； 步骤3：构建包括分段式变量内注意力和分段式变量间注意力的多源数据融合注意力模块，用于Transformer模型训练： 步骤3.1：首先，以步骤2.2中获取的二维数组为基础，作为融合注意力模块中分段式变量内注意力子模块的输入，然后通过以下方法学习维不同段之间的依赖关系： 5 6 其中，代表第层的维内的所有区段，是时间序列的维度，与步骤一中说明的传感器数量一致，为同一变量，是第层的隐藏表征，是Transformer训练中最常使用的激活函数；代表全连接神经网络；代表多层分段式变量内注意力子模块，是的层数，其中，，是的查询向量、键向量和值向量；分别是在第层的参数矩阵； 步骤3.2：进一步，MSWAA中第层的输出被传输到多层分段式变量间注意力子模块MSWEA中的第一层： 7 8 其中，代表MSWAA层的输出；，，是MSWEA的查询向量、键向量和值向量；分别是在第层的参数矩阵；第层的变量依赖关系可通过以下方式捕捉： 9 10 其中，是MSWEA第层的查询向量、键向量和值向量；分别是在第层的参数矩阵； 步骤4：基于步骤3获取的多源数据融合注意力Transformer模型，采用对抗学习方法进行训练以预测石油管道未来运行状态； 步骤4.1：首先，通过优化以下函数，令多源数据融合注意力Transformer模型生成接近于真实的石油管道未来运行状态值： 11 其中，和分别代表多源数据融合注意力Transformer和判别器的最优参数；是获取的合成序列通过以下函数： 12 其中，代表关联操作；代表未来时间步内的时间序列； 步骤4.2：基于预测运行状态，构建多源数据融合注意力Transformer损失函数为： 13 其中，代表期望，代表判别器的输出，如果输入是真实数据，则输出1，否则输出0；判别器由三个全连接层和一个Sigmoid激活函数实现；判别器是通过优化以下函数来训练的，以区分合成序列和真实序列： 14 其中，是真实数据，获取通过以下函数： 15 步骤4.3：表示真实序列和合成序列的目标函数，其表述如下： 16 步骤5：利用带有可学习尺度参数的高斯分布训练石油管道预警模型： 步骤5.1：首先，计算第个时间点相对于第个时间点的关联权重： 17 其中，代表可学习的尺度参数的分布，其中代表中的第个时间点；表示将高斯距离转换为离散分布的重放操作； 步骤5.2：其次，从步骤3.2获取多源数据融合注意力Transformer中的注意力图作为预测时间序列关联权重： 18 其中，是注意力图，是用于归一化注意力图的激活函数；分别为第层的查询向量、键向量、值向量； 步骤5.3：最后，通过最小化高斯分布和注意力图之间的差异训练预警模型： 19 其中，代表Kullback-Leibler散度； 步骤6：利用步骤5.3已训练完毕的多源数据融合注意力Transformer模型作为石油管道异常预警模型，对未来运行状态异常行为进行识别并获取失效概率，方式如下： 20 其中，和为可学习尺度参数的正常临界值和故障临界值； 在步骤1中，从声波、温度、负压波、振动传感器中采集管道运行状态历史数据，构建数据集。

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东北石油大学，其通讯地址为：163318 黑龙江省大庆市高新技术产业开发区学府街99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。