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！

龙图腾网获悉福建理工大学申请的专利一种基于声发射与深度学习的结构疲劳损伤识别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：CN120314460B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202510800307.8，技术领域涉及：G01N29/44；该发明授权一种基于声发射与深度学习的结构疲劳损伤识别方法是由高巧旗;麻胜兰;吴琛;林国良;张筱逸;项洪设计研发完成，并于2025-06-16向国家知识产权局提交的专利申请。

本一种基于声发射与深度学习的结构疲劳损伤识别方法在说明书摘要公布了：本发明涉及结构健康监测与智能诊断技术领域，尤其为一种基于声发射与深度学习的结构疲劳损伤识别方法，通过声发射传感器阵列采集疲劳荷载下的结构响应信号，输入至CNN‑BiLSTM‑Attention混合深度学习模型，模型通过动态自适应卷积核提取局部时域特征，利用双向长短期记忆网络捕捉长时序依赖，并通过双模态时空注意力机制聚焦关键损伤特征，基于裂缝张开量的非线性动态阈值算法划分损伤阶段，构建物理‑数据融合的训练数据集，采用梯度敏感型余弦退火算法优化学习率，结合抗噪对抗损失函数提升模型鲁棒性。本发明融合物理特征与智能算法，具备自适应噪声抑制、跨域泛化能力强、实时性高等优势。

本发明授权一种基于声发射与深度学习的结构疲劳损伤识别方法在权利要求书中公布了：1.一种基于声发射与深度学习的结构疲劳损伤识别方法，其特征在于：包括以下步骤： S1、通过布置于桥梁结构表面的声发射传感器阵列采集疲劳荷载作用下的声发射信号，并对信号进行预处理，包括降噪、归一化及分段处理； S2、采用滑动窗口分割算法对预处理后的声发射信号进行时序分割，窗口长度为150个采样点，步长为10个采样点，生成局部时序样本集； S3、构建CNN-BiLSTM-Attention混合深度学习模型，所述CNN-BiLSTM-Attention混合深度学习模型包括； CNN层：采用一维卷积核提取声发射信号的局部时域特征，包括幅值突变及能量峰值特征； BiLSTM层：通过双向长短期记忆网络捕捉损伤演化过程中的长时序依赖关系； 注意力机制层：基于可学习的权重矩阵自适应聚焦关键损伤阶段的高能量信号特征； S4、基于桥梁主裂缝张开量与循环次数的非线性曲线划分损伤阶段，通过斜率突变点确定阶段标签，并将标签与声发射信号时序对齐，构建物理-数据融合的训练数据集； S5、采用动态学习率调整策略和早停机制对混合模型进行训练，结合Dropout与批归一化操作提升模型鲁棒性； S6、将实时采集的声发射信号输入训练后的模型，输出损伤阶段识别结果，包括裂缝萌生、稳定扩展及失稳破坏阶段。

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福建理工大学，其通讯地址为：350100 福建省福州市闽侯县上街镇学府南路69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”。