買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉淮陰工學院申請的專利基于EEMD分解和輕量化神經(jīng)網(wǎng)絡的化工過程故障診斷方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN115561005B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-08-12發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202211314395.3，技術領域涉及：G01M99/00；該發(fā)明授權基于EEMD分解和輕量化神經(jīng)網(wǎng)絡的化工過程故障診斷方法是由孫成富;倪洋;葉青平;楊雷;張東京設計研發(fā)完成，并于2022-10-25向國家知識產(chǎn)權局提交的專利申請。

本基于EEMD分解和輕量化神經(jīng)網(wǎng)絡的化工過程故障診斷方法在說明書摘要公布了：本發(fā)明涉及化工故障處理領域，且提出了一種基于EEMD分解和輕量化神經(jīng)網(wǎng)絡的化工過程故障診斷方法，包括數(shù)據(jù)分解方法EEMD和故障檢測模型AOS?LSTM以及最后的模型剪枝三部分組成。化工故障診斷方法的具體步驟為：使用數(shù)據(jù)分解方法EEMD對采集到的化工故障數(shù)據(jù)進行數(shù)據(jù)分解并進行預處理，使用故障檢測模型AOS?LSTM來構(gòu)建主干的分類網(wǎng)絡。利用優(yōu)化算法對LSTM進行改良，得到的AOS?LSTM相比于原始的LSTM在分類性能上表現(xiàn)更佳。最后對網(wǎng)絡模型進行壓縮剪枝，使模型結(jié)構(gòu)變得高效簡單，有利于模型的遷移。與現(xiàn)有技術相比，本發(fā)明能方便快捷的診斷化工過程中產(chǎn)生的故障。

本發(fā)明授權基于EEMD分解和輕量化神經(jīng)網(wǎng)絡的化工過程故障診斷方法在權利要求書中公布了：1.一種基于EEMD分解和輕量化神經(jīng)網(wǎng)絡的化工過程故障診斷方法，其特征在于，包括以下步驟： 步驟1：獲取化工歷史時序數(shù)據(jù)，并將其作為訓練樣本集和測試樣本集；訓練樣本集用于建立本方法的智能故障檢測模型，測試樣本集用于驗證本方法的診斷精度； 步驟2：對于獲取的化工歷史時序數(shù)據(jù)進行預處理操作，采用EEMD分解技術分解原始的化工數(shù)據(jù)序列； 步驟3：構(gòu)建網(wǎng)絡模型并進行模型訓練，使用原子軌道搜索算法AOS對LSTM模型中的訓練次數(shù)和學習率以及隱含層節(jié)點數(shù)三個參數(shù)進行網(wǎng)絡參數(shù)尋優(yōu),使用故障檢測模型AOS-LSTM來構(gòu)建主干的分類網(wǎng)絡； 步驟3.1：首先通過如下公式對候選解進行初始化，確定電子的初始位置： 其中，表示候選解的初始位置，是第i個候選解的第j個決策變量的最小和最大界限，rand是[0,1]范圍內(nèi)的均勻分布隨機向量； 步驟3.2：設置電子數(shù)量、區(qū)域空間內(nèi)虛擬層數(shù)以及候選解的維數(shù)；對學習率和訓練次數(shù)以及隱含層節(jié)點數(shù)進行尋找； 每個電子都有一個能量狀態(tài)，也就是候選解的目標函數(shù)值，更好目標函數(shù)值的候選解代表具有更低能級的電子，以下向量方程用于包含不同電子的目標函數(shù)值： 其中，i為電子的數(shù)目，即可行解的數(shù)目，是第k個虛擬層中的第i個解的目標函數(shù)值； 每個候選解以及每個候選解對應的能量密度，用下式表達： 其中，是第k個虛擬層中的第i個候選解，k為第k個虛擬層，n為最大的虛擬層數(shù)；j為可行解的維數(shù)； AOS算法將整個搜索域的最優(yōu)適應度叫做LE，將第k個虛擬層中的最優(yōu)解叫做LEk，通過全局最優(yōu)和當前最優(yōu)對電子的位置進行牽引尋優(yōu)，最低能級的電子LE或LEk是最優(yōu)的候選解； 使用交叉熵的值作為電子的適應度函數(shù)，計算電子的適應度值，更新最優(yōu)的適應度值，從而尋找到最優(yōu)的模型參數(shù)，適應度函數(shù)如下： 其中，y為輸出實際值，為輸出預測值；將訓練LSTM得到的損失函數(shù)值作為AOS的適應度值，如果適應度值優(yōu)于局部最優(yōu)值和全局最優(yōu)值，則更新這兩者的值，若滿足最小誤差或者達到最大迭代次數(shù)就輸出模型參數(shù)，將所得的參數(shù)用來訓練LSTM模型，如果不滿足就對算法進行更新； 步驟3.3：先計算第K個虛擬層的可行解的位置和適應度均值，獲得局部最優(yōu)解，得到第k個虛擬層的結(jié)合態(tài)BSk和結(jié)合能BEk，公式如下： 步驟3.4：通過全部的可行解的位置和適應度的均值，得到整體最優(yōu)解，確定整體的結(jié)合態(tài)BS和結(jié)合能BE公式如下： 步驟3.5：設置算法的迭代次數(shù)為100次，首先設置一個光子速率PR，在0,1范圍內(nèi)為每個電子生成一個均勻分布的隨機數(shù)φ，當φ＞PR時且當電子會移動到低的虛擬層，是對電子的位置進行更新，更新方式如下式: 當電子會移動到高的虛擬層，更新方式如下式： α、β和γ都為隨機生成的數(shù)字的向量，均勻分布在0,1之間； LE為搜索域中最低能級的電子，LEk為第k個虛擬層中最低能級的電子； 當φ＜PR時,此時電子受其它作用影響，而不是光子作用，電子位置更新如下式： 其中r為φ的向量； 步驟3.6：在迭代完成到達結(jié)束條件時，輸出全局最優(yōu)解，并以該解為最優(yōu)的學習率和訓練次數(shù)以及隱含層節(jié)點數(shù)，也就是確定LSTM的最優(yōu)參數(shù)，應用參數(shù)構(gòu)建AOS-LSTM模型，LSTM包括記憶細胞ct和三個門限：輸入門it，遺忘門ft和輸出門ot，當輸入序列為xt時，三個門限和記憶細胞的輸出如下： ft＝σwf[ht-1,xt]+bf ot＝σwo[ht-1,xt]+bo it＝σwi[ht-1,xt]+bi ct＝ft×ct-1+it×tanhwg[ht-1,xt]+bg 上述式中，σ為sigmod函數(shù)，ht-1為前一時刻單元的輸出，wi、wf、wo、wg為模型參數(shù)，bf、bi、bo、bg為偏置項； 在確定了LSTM網(wǎng)絡的最優(yōu)參數(shù)后，將數(shù)據(jù)輸入到LSTM神經(jīng)網(wǎng)絡中進行訓練，提取得到具有時間特性的特征信息，在網(wǎng)絡中加入BN層，使用Adam優(yōu)化器來對網(wǎng)絡進行優(yōu)化，最后由Softmax分類器進行故障類別的分類，得到最終的結(jié)果； 步驟4：對步驟3中網(wǎng)絡模型進行壓縮剪枝，在步驟3網(wǎng)絡模型中使用BN層，采用剪枝的方法在BN層的縮放因子上加入L1； 步驟5：利用優(yōu)化后的網(wǎng)絡模型實現(xiàn)化工過程故障診斷。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或?qū)＠麢嗳?a target="_blank" rel="noopener noreferrer nofollow" href="https://iptop.www.gztjhr.cn/list?keyword=%E6%B7%AE%E9%98%B4%E5%B7%A5%E5%AD%A6%E9%99%A2&temp=1">淮陰工學院，其通訊地址為：223000 江蘇省淮安市經(jīng)濟技術開發(fā)區(qū)枚乘東路1號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。