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一种智能在线化验过程数据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：CN119474670B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202411507154.X，技术领域涉及：G06F18/10；该发明授权一种智能在线化验过程数据异常检测方法是由高云鹏;周泳彬;张微;王俊霖;孙超杰设计研发完成，并于2024-10-28向国家知识产权局提交的专利申请。

本一种智能在线化验过程数据异常检测方法在说明书摘要公布了：本发明公开了一种智能在线化验过程数据异常检测方法，具体是一种基于粒子群优化算法和深度稀疏降噪自编码器的智能在线化验过程异常检测方法，其包括：步骤S101，基于智能在线化验设备采集运行过程数据，搭建样本数据库；步骤S102，对数据进行Min‑Max归一化预处理操作；步骤S103，搭建基于深度稀疏降噪自编码器DSDAE的异常检测模型，使其经过训练后能够学习到正常数据的数据特性；步骤S104，利用粒子群PSO算法，对DSDAE模型的隐藏层神经元个数进行优化，建立基于PSO‑DSDAE的异常检测模型；步骤S105，利用累积和算法确定模型重构残差容忍阈值，建立异常判断机制；步骤S106，采用数据集数据对基于PSO‑DSDAE的异常检测模型进行训练，通过对比模型输出与输入之间的重构残差是否超过阈值，以此实现异常数据检测。

本发明授权一种智能在线化验过程数据异常检测方法在权利要求书中公布了：1.一种智能在线化验过程数据异常检测方法，其特征在于，包括以下步骤： 步骤S101，通过智能在线化验设备采集运行过程数据，搭建样本数据库； 步骤S102，引入Min-Max数据归一化方法对数据进行预处理，构建数据集； 步骤S103，搭建基于DSDAE的异常检测模型，使其经过训练后能够学习到正常数据的数据特性； 步骤S104，引入PSO算法对搭建的DSDAE模型隐藏层神经元个数进行寻优，确定DSDAE模型框架，建立基于PSO-DSDAE的异常检测模型； 步骤S105，利用累积和算法确定模型的累积重构残差，并通过与容忍阈值的比较，建立异常判断机制； 步骤S106，使用正常数据集数据对基于PSO-DSDAE的异常检测模型进行训练，使模型学习到正常数据的潜在特性，当模型的损失函数收敛时视为模型训练已经完成，即模型已经具备重构正常数据的能力； 将待检测的数据输入到PSO-DSDAE的异常检测模型中，基于异常判断机制实现对异常输入数据的检测： 计算模型对输入数据的累积重构残差、并与容忍阈值进行比较，当模型的累积重构残差超过容忍阈值时，视为异常情况发生；反之即视为正常； 所述化验过程数据涉及的特征变量具体为：烧瓶空瓶重量，添加待测样品重量，第一次添加盐酸体积，第一次添加硝酸体积，第二次添加盐酸体积，烧瓶定容前重量，#1泵加水体积，#2泵加水体积； 特征变量相关描述总结如下表所示： 表1智能在线化验设备化验过程数据涉及特征变量 所述DSDAE的异常检测模型基于AE模型而建立，所述AE模型的编码器部分为： h＝fx＝seWex+be 公式2其中：f为编码函数；We为编码器神经网络的权重，be为编码器神经网络的偏置；Se为非线性激活函数，具体设置为ReLU函数，即： 所述AE模型的解码器部分为： y＝gh＝sdWdh+bd 公式4其中：g为解码函数；Wd为解码器神经网络的权重，bd为解码器神经网络的偏置；Sd为非线性激活函数，具体设置为Sigmoid函数，即： 所述AE模型的损失函数为： 其中：θ为模型网络参数矩阵{W,b}，W是模型每层神经网络的权重矩阵，它用于对输入数据进行线性变换，其作用是根据每个输入特征对输出的影响大小进行调整；b是每层神经网络的偏置向量，用于对线性变换的结果进行平移，使网络能够更好地拟合复杂数据，此处模型网络参数矩阵θ由编码层网络参数矩阵{We,be}和解码层网络参数矩阵{Wd,bd}共同组成，即θ＝{We,be,Wd,bd}；m为输入特征数据个数；L为均方误差函数； 方法在AE模型的基础上进行了降噪化改进，进一步形成了DAE模型，所述DAE模型指对AE模型的输入特征数据x进行加噪处理，因此所述DAE模型的损失函数为： 其中：x*指的是对原输入特征数据x进行加噪处理，具体操作是向数据集加入随机高斯白噪声； 在DAE模型损失函数的基础上添加KL散度用作惩罚项，实现对数据的稀疏表达，进一步形成了SDAE模型，所述SDAE模型的损失函数为： 其中：S为隐藏层神经元个数；u为控制稀疏项强度的权重因子，为惩罚因子的相对熵，计算公式为： 其中：代表编码器部分隐藏层各神经元的平均激活值，其值由训练后模型隐藏层各神经元对输入的响应结果确定；ρ表示稀疏度； 方法在SDAE模型网络结构的基础上将网络隐藏层层数加深，以提高模型编码能力、得到数据更深层次的特征表达，进一步形成了DSDAE模型，所述DSDAE模型的损失函数为： 其中：Θ为各隐藏层对应的权重矩阵和偏置向量的集合；x为输入特征数据；z为DSDAE模型的输出结果；S为编码器部分最深层隐藏层神经元的个数，u为控制稀疏项强度的权重因子。

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。