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！

龙图腾网获悉杭州电子科技大学;杭电(海宁)信息科技研究院有限公司申请的专利一种超声波换能器带载建模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：CN114004140B 。

龙图腾网通过国家知识产权局官网在2025-06-27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：202111120544.8，技术领域涉及：G06F30/27；该发明授权一种超声波换能器带载建模方法是由陈张平;陈云;孔亚广;陈晓祥;赵晓东;邹洪波;张帆;黄娜设计研发完成，并于2021-09-24向国家知识产权局提交的专利申请。

本一种超声波换能器带载建模方法在说明书摘要公布了：本发明涉及一种超声波换能器带载建模方法。本发明首先，基于动力学仿真和梅森电路建立的MSD等效模型，在给定的换能器参数的情况下，通过Matlab仿真和负载实验，得到了关于阻抗变化的仿真数据和负载力变化的实验数据。然后改变换能器中的一个参数，得到下一组数据，用最小二乘法进行数据的匹配得到关系矩阵。最后，通过自适应属性权重神经网络模型对数据进行训练。输入一组材料参数和负载力，便可得到相对应的阻抗。本发明能够很好地体现负载力与阻抗的对应关系，且即使是动态负载的情况下，其阻抗也能准确快速地对应出来。

本发明授权一种超声波换能器带载建模方法在权利要求书中公布了：1.一种超声波换能器带载建模方法，其特征在于该方法包括以下步骤： 第一步，以动力学仿真和梅森电路为基础建立等效模型： 其中，Lp为压电陶瓷晶堆厚度，Z0 s＝ρgS为压电陶瓷晶体堆的密度、声速和横截面积的乘积，τs为压电陶瓷晶堆材料的声传播常数，ZR s、ZL s分别为T型等效电路的右等效阻抗和左等效阻抗，ZM S为T型等效电路中间的等效阻抗； 第二步，改变压电换能器中材料的某一项参数，所述的材料包括压电换能器前盖板、后盖板以及压电陶瓷晶堆；所述的参数包括压电陶瓷晶堆的横截面积S、压电陶瓷晶堆的密度ρ、前后盖板材料的杨氏模量E、前后盖板的长度l； 第三步，基于所建模型对阻抗进行仿真，记录下m组阻抗与电学参数对应的矩阵[EZi]m1； 第四步，基于所建模型进行负载实验，记录下n组负载力变化与电学参数对应的矩阵[EFk]n1； 第五步，改变压电换能器中材料的另一项参数，保持其他参数不变，重复进行阻抗仿真和负载实验，得到[EZi]m2和[EFk]n2； 重复本步骤多次，得到共R组仿真与负载力实验的矩阵关系，即[EZi]mt与[EFk]nt； 第六步，将这R组[EZi]mt与[EFk]nt矩阵相配对，通过最小二乘法对数据进行匹配，找出最接近的一组数据，得到的关系式，其中Fky，t为[EFk]nt中第y行的负载力，Zixy，t为[EFk]nt中第y行负载力最匹配的一个阻抗，Tt为这一组矩阵下对应的材料，xy,t为在固定材料种类Tt时，与负载力Fky，t最匹配的阻抗在[EZi]mt下的行号； 第七步，将作为一组训练数据输入自适应属性权重神经网络，其中Fky，t和Tt为神经网络输入，神经网络输出为Zixy，t对应真实值θ0；然后将θ0与通过神经网络预测得到的θ0’进行优化，便得到相应的网络参数，由此便可得一组负载力、材料与阻抗的关系； 将第六步中的R组配对关系矩阵全部输入神经网络进行训练，得到训练完成后的神经网络；当后续输入任意一组材料参数与负载力，便可得到阻抗； 所述自适应属性权重神经网络采用双输入单输出神经网络结构，输入参数为Tt，Fky，t，输出参数为Zixy，t，将一组作为训练输入； 对于属性权重Vi：Tt，Fky，t为输入，Wi为权值向量，Vi计算方式如下： 当输入为Fky，t， 当输入为Tt， 对于权重αi：fw为权重计算函数，fwa为权重激活函数，fw和fwa为假设值，其计算方式如下： αi＝fwafwVi，Vc，i＝Tt，Fky，t Vc是辅助向量，辅助各属性权重的计算，它会在神经网络的学习过程中不断优化，用以捕捉材料参数或者负载的变化，然后运用到属性权重的计算中，Vc和Wi会在网络训练进行优化； 对于全连接输入Vin：在权重计算中得到各属性的权重之后，将各属性向量进行加权求和，即可得到后续全连接模块的输入： 经过全连接层的计算，即可得到最终的关键变量的预测值θi’； 接下来进行网络的训练，根据下式推导输出： 其中，k为输入维度，k＝2，Vik为维度为k的属性权重，xi为神经网络输入，i＝Tt，Fky，t Wik是维度为k的权值向量，Vck为维度为k的辅助向量，Vink为维度为k的全连接输入，Whk和bh为隐层权值和偏置单元，W0h和b0为输出层权值和偏置单元，f1，f2为激活函数，yh为隐层输出，θ0’为网络预测值； Zixy，t为网络中的真实值θ0，得到预测值θ0’后与真实值θ0进行优化可得损失函数E： 设r为当前迭代轮次，η为学习率，基于下式对网络参数进行优化： 然后分别对辅助向量Vck、权值向量Wik进行求偏导优化得调整策略为如下： 其中f1’、f2’、fwa’为f1、f2、fwa求导； 优化后便得最终的Whk、bh、Woh、b0网络参数，至此，神经网络的训练已完成。

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杭州电子科技大学;杭电(海宁)信息科技研究院有限公司，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街；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”。