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！

龙图腾网获悉湖南大学申请的专利联合重构与预测模型的输水管线运行状态异常检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：CN119807970B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202510010353.8，技术领域涉及：G06F18/2433；该发明授权联合重构与预测模型的输水管线运行状态异常检测方法是由钟雄虎;蔡润博;罗娟设计研发完成，并于2025-01-03向国家知识产权局提交的专利申请。

本联合重构与预测模型的输水管线运行状态异常检测方法在说明书摘要公布了：本发明提出一种联合重构与预测模型的输水管线运行状态异常检测方法。本发明首先设计一种基于自注意力机制的多元时序特征提取器，捕获管道运行的高频压力、流量等多元数据之间的时序关联，采用联合训练的模式，将获取的特征分别输入到LSTM‑BasedVAE重构模型和基于双向门控循环单元BiGRU的预测模型中。同时，为了解决联合训练中任务之间的平衡关系，本发明设计了一种联合训练动态损失函数，最后通过异常评判机制，检测管道运行状态的异常情况。本发明充分捕获了多元时序数据之间的关联性，结合了重构模型和预测模型的优势，异常检测具有更高的准确性和鲁棒性。

本发明授权联合重构与预测模型的输水管线运行状态异常检测方法在权利要求书中公布了：1.一种联合重构与预测模型的输水管线运行状态异常检测方法，其特征在于，包括以下步骤： S1:将输水管线的压力、流量多个维度的运行数据，通过在线数据采集仪表发送至服务器，对每一项数据依次进行时间序列缺失值插补、时间序列去噪预处理操作，得到多元数据序列，其中表示总共有个连续时间点的数据，表示变量的个数； S2：压力、流量不同类型的变量往往具有不同的数值范围，为了提高模型的鲁棒性，依次对每个维度的时间序列执行数据归一化以消除不同变量之间的量纲影响，得到归一化序列，通过滑动时间窗口对序列进行划分，得到滑动窗口数据； S3:设计一种基于自注意力机制的多元时序特征提取器，对输入的时序数据进行时间信息提取，对于每一个时间点数据，有效捕获了其他时间节点数据对其的关联权重； S4:建立LSTM-BasedVAE重构模型，在正常数据上训练，学习正常数据的分布，在异常检测的过程中，对数据进行重构，该重构模型的损失函数为 S5:建立基于双向门控循环单元的预测模型，该预测模型损失函数为 S6:设计一种联合训练损失函数，将任务权重系数添加网络中，能够动态地学习两种任务之间的相关性，联合损失函数为 S7:假设要检测的时序数据是时刻的数据，对于重构模块，模型的输入为时间窗口的数据，输出为，最后一项为时间步的重构值；对于预测模块，模型的输入为时间窗口为的历史数据，输出为下一个时间步的推断值，原始样本时刻数据为，异常得分为，利用POT算法在测试集寻找最优阈值，如果大于最优阈值，那么认为当前时间点数据发生了异常，否则，则认为没有发生异常；所述S3中，时间窗口为w，数据变量个数为k，输入模型训练的单个窗口数据为，为每个时间节点t=i时的单个变量；对于，在当前时间窗口w下，其他样本数据根据实际情况，对的影响权重不同，本文设计一种基于自注意力机制的多元时序特征提取器，对于每一个时间点数据，有效捕获了其他时间节点数据对其的关联权重；以一个单个变量经过多元时序特征提取，得到该变量包含其他时间点的时序特征的新的时序表示的过程为例，所述多元时序特征提取的处理步骤，具体包括以下： 1将变量输入到全连接网络Q，转化成一个向量，窗口内其他变量分别输入全连接网络K，生成对应的向量，公式如下 ； ； 2让和对应的向量依次相乘，经过一个softmax函数得到变量和其他变量的注意力权重，公式如下 ； 3对于变量，将向量进行加权求和，表示时间窗口内其他所有变量的聚合时间信息，最终得到新的时序表示，公式如下 ； 4重复上述步骤，可以将原始输入转化成融入了时序特征信息的新表示； 所述S4中，重构模型使用LSTM作为VAE的编码器，使用多层感知机MLP作为解码器；重构网络的输入为时序窗口数据，经过编码器，映射到潜在空间Z中，解码器将潜在空间中的Z向量重新映射回原始数据的空间，输出为重构后的数据，重构过程中，VAE利用一个条件概率分布重建原始输入，其中是隐向量表示重构模型的优化目标是尽可能重建出原始输入，这就需要得到一个后验分布,其计算公式如下： ； 其中表示重建原始输入的概率，由于是一个多变量样本，为重建多个单变量的联合分布，其计算公式如下： ； 为了计算上述方程，引入一个来逼近后验分布；最后，重建模型的由如下公式表示： ； 其中，为重建数据的最大化对数似然估计，具体计算公式如下： ； 为与之间的KL散度，具体计算公式如下： ； 所述S5中，使用基于双向门控循环单元的预测模型，在GRU的基础上增加一个反方向的GRU层，同时考虑时间序列数据的过去和未来信息，利用前后文信息更好地捕捉时间序列特征；输入数据经过前向传播GRU单元得到向量，经过反向传播GRU’单元得到向量，然后经过一个多层感知器，得到最终的预测结果，相关公式如下： ； ； ； 最后，利用真实值和预测值之间的均方根误差RMSE作为预测模型误差，计算公式如下： ； 所述S6中，摒弃人为设定重构任务和预测任务权重的方法，设计一种联合训练损失函数，将任务权重系数添加网络中，能够动态地学习两种任务之间的相关性，公式如下： ； 其中代表重构模型的损失函数，代表预测模型的损失函数，和是网络学习的参数。

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湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路麓山门；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。