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！

龙图腾网获悉浙江工业大学之江学院申请的专利基于循环神经网络集成的超声波燃气表故障预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：CN115660141B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202211104623.4，技术领域涉及：G06F17/00；该发明授权基于循环神经网络集成的超声波燃气表故障预测方法是由何文秀;王璨设计研发完成，并于2022-09-09向国家知识产权局提交的专利申请。

本基于循环神经网络集成的超声波燃气表故障预测方法在说明书摘要公布了：一种基于循环神经网络的超声波燃气表故障预测方法，包括：采集超声波燃气相关历史数据；对历史数据进行预处理；对时间预测RNN集成模型预训练；将预处理过训练集的数据输入到时间预测RNN集成模型得到输出结果；对输出的预测结果以及对应的真实数据进行进一步的预处理；运用损失函数对时间预测RNN集成模型内的参数进行调整；用测试集的数据对模型进行测试。本发明基于时间预测RNN集成模型，可以实现对超声波燃气的预测，同时根据预测数据和实际数据的偏差值对模型不断进行修正，模型不断地被完善，得到很好的预测效果。

本发明授权基于循环神经网络集成的超声波燃气表故障预测方法在权利要求书中公布了：1.一种基于循环神经网络的超声波燃气表故障预测方法，包括如下步骤： 1对时间预测RNN集成模型进行预训练；时间预测RNN集成模型包括顺流时间预测RNN模型和逆流时间预测RNN模型，使用正常的超声波在流体中顺、逆流传播时间数据集，对时间预测RNN集成模型预训练，分别对顺流时间预测RNN模型和逆流时间预测RNN模型训练10个epochs；顺流时间预测RNN模型和逆流时间预测RNN模型包括的结构为：原始输入信号的尺寸为32*1，使用LSTM后得到维度为32*16的特征层，使用dropout操作得到新的维度为32*16的特征层，使用LSTM得到维度为32的特征层，使用dropout得到新的维度为32的特征层，使用全连接得到维度为1的特征层，运用损失函数计算预测的下一个数据与真实数据之间的差距； 2采集超声波燃气相关历史数据；对超声波燃气表进行相关时间数据监控采样；采取每个超声波在流体中的初始顺流传播时间ti_up、超声波在流体中的初始逆流传播时间ti_down；之后对超声波燃气进行连续一段时间的采样，实时采样并记录燃气实时顺流传播时间tm_up,实时逆流传播时间tm_down,每隔20秒取一个样本点； 3对步骤2采集到的燃气实时顺流历史数据进行预处理；将获得的实时顺流传播时间tm_up数据，按照训练集：测试集＝8：2的比例，将前面80％的数据作为训练集数据，剩下20％的数据作为测试集数据；对收集到训练集的实时顺流传播时间tm_up数据进行有重叠的分段，即每隔1个样本点取32个样本点，这样对采集到的样本可以得到如下时间序列数组： arrayi_up＝{ti,ti+1,......ti+32}，i∈[1,n] 其中，i表示第i组数据,n是训练集的最后一组数据； 4将预处理过训练集的数据输入到顺流时间预测RNN模型得到输出结果； 对实时顺流传播时间tm_up进行预测； 运用顺流时间预测RNN模型；该模型的输入为训练集中的时间序列数组： arrayi_up 其中，i表示第i个时间序列数组,i∈[1,n]； 输出的为预测的接下来的1个数据；每输入一组数据，就会输出这组数据接下来的1个数据；将这些输出的数依次记为F＝{f1,f2,……fn}；与之对应的真实值序列为T＝{t33,t34,……,tn+32}，其中，n表示的是训练集预测的最后一位数据； 5对输出的数据F＝{f1,f2,……fn}进行如下的预处理： fo_i＝softmaxfi，i∈[1,n]1 FO＝{fo_1,fo_2,……fo_n}2 其中，fo_i是预处理过的预测数据，i表示第i个数据；FO是预处理过的预测数据集；中的fi表示模型输出的预测数据，i表示第i个数据；中的fj表示的是模型输出的预测数据，j表示第j个数据； 对真实数据T＝{t33,t34,……,tn+32}进行预处理， to_i＝softmaxti+33，i∈[1,n]4 TO＝{to_1,to_2,……to_n}5 其中，to_i是预处理过的真实数据，i表示第i个数据；TO是预处理过的真实数据集；中的ti+33表示真实数据，i表示第i个数据；中的tj+33表示的是真实数据，j表示第j个数据； 运用损失函数计算预测值与真实值之间的误差： 通过不断训练模型，调整顺流时间预测RNN模型内的参数，使损失函数Li的值不断趋向于0； 6用测试集对模型进行测试；将测试集的数据输入至训练完的顺流时间预测RNN模型，输出为预测的顺流时间，将其与真实值之间运用损失函数计算误差，判断损失函数的结果是否在合理的范围内；若在合理的范围内，则模型训练完成；若不在合理的范围内，则重新返回步骤4对模型再训练； 7对步骤2采集到的燃气实时逆流历史数据进行预处理；获得的实时逆流传播时间tm_down数据，按照训练集：测试集＝8：2的比例，将前80％的数据作为训练集数据，剩下的20％的数据作为测试集数据；对收集到训练集的实时逆流传播时间tm_down数据进行有重叠的分段，即每隔1取32个样本点，这样对采集到的样本可以得到如下所示时间序列数组： arrayi_down＝{ti,ti+1,.....ti+32} 其中，i表示第i组数据，n是训练集的最后一组数据； 8将预处理过训练集的数据输入到逆流时间预测RNN模型得到输出结果； 对实时逆流传播时间tm_down进行预测； 运用逆流时间预测RNN模型；该模型的输入为训练集中的时间序列数组： arrayi_down 其中，i表示第i个时间序列数组； 输出的为预测的接下来的1个数据；每输入一组数据，就会输出这组数据接下来的1个数据；将这些输出的数依次记为P＝{p1,p2,……pn}；与之对应的真实值序列为R＝{r33,r34,……,rn+32}，其中，n表示的是训练集预测的最后一位数据； 9对输出的数据P＝{p1,p2,……pn}进行预处理， po_i＝softmaxpi，i∈[1,n]9 PO＝{po_1,po_2,……po_n}10 其中，po_i是预处理过的预测数据，i表示第i个数据；PO是预处理过的预测数据集；中的pi表示模型输出的预测数据，i表示第i个数据；中的pj表示的是模型输出的预测数据，j表示第j个数据； 对真实数据R＝{r33,r34,……,rn+32}进行预处理， ro_i＝softmaxri+33，i∈[1,n]12 RO＝{ro_1,ro_2,……ro_n}13 其中，ro_i是预处理过的真实数据，i表示第i个数据；RO是预处理过的真实数据集；中的ri+33表示真实数据，i表示第i个数据；中的rj+33表示的是真实数据，j表示第j个数据； 运用损失函数计算预测值与真实值之间的误差： 通过不断训练模型，调整逆流时间预测RNN模型内的参数，使损失函数Li的值不断趋向于0； 10用测试集对逆流时间预测RNN模型进行测试；将测试集的数据输入至训练完的逆流时间预测RNN模型，输出为预测的逆流时间，将其与真实值之间运用损失函数计算误差，判断损失函数的结果是否在合理的范围内；若在合理的范围内，则模型训练完成；若不在合理的范围内，则重新返回步骤2对模型再训练； 11将顺流时间预测RNN模型和逆流时间预测RNN模型简单组合在一起，构成时间预测RNN集成模型，由时间预测RNN集成模型每隔一段时间就按照步骤2中的采样方法实时采样燃气的实时顺、逆流时间，预测燃气的顺、逆流时间，实现模型预测功能； 12对于预测得到的数据，当燃气的流速vm＝0时，当预测的数据tm1_up＝tm1_down和初始记录的顺、逆流时间数据ti1_up＝ti1_down之间的差值达到时间阈值下限时，将向远程终端发出安全警告。

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浙江工业大学之江学院，其通讯地址为：312030 浙江省绍兴市柯桥区柯华路958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”。