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！

龙图腾网获悉北京工业大学申请的专利一种数据驱动的可编程逻辑控制器动态可信等级计算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：CN119644898B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202411800653.8，技术领域涉及：G05B19/05；该发明授权一种数据驱动的可编程逻辑控制器动态可信等级计算方法是由伍小龙;张佳琪;刘峥;韩红桂设计研发完成，并于2024-12-09向国家知识产权局提交的专利申请。

本一种数据驱动的可编程逻辑控制器动态可信等级计算方法在说明书摘要公布了：本发明提出了一种数据驱动的可编程逻辑控制器动态可信等级计算方法，解决可编程逻辑控制器在复杂运行环境中难以实现可信等级准确评估的问题，实现了对可编程逻辑控制器实时的、准确的可信等级动态评估。创新内容主要包括：首先，利用径向基函数神经网络作为数据驱动模型的载体，构建动态可信计算的模型，依据系统访问时间、访问失败时间、任务执行时间等变量数据在线调整模型的结构与参数，实现了可编程逻辑控制器可信等级的动态计算；其次，设计一个动态阈值的调整机制，根据历史数据和实时数据自适应确定信任等级划分阈值，确保信任等级评估的准确性；最后，结合模型和阈值调整机制，实现可编程逻辑控制器动态可信等级的准确划分和评估。

本发明授权一种数据驱动的可编程逻辑控制器动态可信等级计算方法在权利要求书中公布了：1.一种数据驱动的可编程逻辑控制器动态可信等级计算方法，其特征在于包括以下步骤： 1确定计算所需的输入变量和待计算的输出变量：针对可编程逻辑控制器PLC系统的状态和行为数据进行动态可信等级计算，确定访问时间、访问失败时间、任务执行时间、任务停止时间、访问停留时间、访问次数和系统警告次数共7个变量为动态可信等级计算的相关变量，以计算的可信等级为输出变量； 2设计一个用于处理PLC数据集中异常样本的方法，具体为 ①获取访问时间为向量x1＝[x11,…,x1n]，访问失败时间为向量x2＝[x21,…,x2n]，任务执行时间为向量x3＝[x31,…,x3n]，任务停止时间为向量x4＝[x41,…,x4n]，访问停留时间为向量x5＝[x51,…,x5n]，访问次数为向量x6＝[x61,…,x6n]，系统警告次数为向量x7＝[x71,…,x7n]，构造输入数据集矩阵为X＝[x1,…,xj,…,xn]，xj＝[x1j,…,xij,…,xmj]T，i＝1,…,m,j＝1,…,n，其中n和m分别为相关变量个数和样本数，T表示矩阵的转置； ②判断输入数据集中的每一位数据是否异常，求得Z值为 其中Zij为判别第i类变量中第j个数据是否为异常值的标准，μj为各输入数据向量的平均值，σj为各输入数据向量的标准差，分别表示为 其中，Σ为求和符号，当-3≤Zij≤3，则第i类变量中第j个数据被视为异常； ③直接剔除该异常值，并用数据μj*补充该数据所在的位置，表示为 其中，A为异常值； 3设计基于径向基函数神经网络RadialBasisFunctionNeuralNetwork的约束型神经网络模型，神经网络拓扑结构分为三层，输入层、隐含层和输出层；确定神经网络n-R-1的连接方式，即输入层神经元个数为相关变量个数n，并通过网格搜索法确定隐含层神经元为R个，输出层神经元为1个；网络中心值、宽度以及权值分别为Ct＝[c1t,c2t,…,cjt,…,cnt]T，Bt＝[b1t,b2t,…,bjt,…,bnt]T和ωt＝[ω1t,ω2t,…,ωqt,…,ωRt]T，其中j＝1,2,…,n，q＝1,2,…,R，cjt＝[cj1t,cj2t,…,cjqt,…,cjRt]，bjt＝[bj1t,bj2t,…,bjqt,…,bjRt]，cjqt和bjqt分别表示t时刻输入层的第j个输出和隐含层的第q个输入之间的中心值和宽度，权值ωqt表示隐含层第q个神经元在t时刻与输出层神经元之间的权值，Ct，Bt和ωt初始化过程中内部元素均为1；对应神经网络训练的输出为-1、0和1，其中定义-1为低级可信等级，0为中级可信等级，1为高级可信等级，网络的拓扑结构和计算方法为： ①输入层：该层与隐含层的连接通过权重实现，假设隐含层的输入为zt，输入层的单个神经元到隐含层的输入计算为 其中，zqt为在t时刻隐含层第q个神经元的输入，wjqt为在t时刻连接输入层的第j个神经元到隐含层的第q个神经元的权值，bq是偏置项； ②隐含层：该层中神经元的激活函数对于该层的输入进行非线性变换，选择高斯函数作为本层的激活函数，假设隐含层的输出为ht，表示为 其中，v＝1,2,…,R,R为隐含层神经元个数，hvt为在t时刻隐含层神经元第v个节点的输出，exp为以自然常数e为底的指数函数，dt为在t时刻隐含层的输入向量zt与第v个中心向量cv之间的欧几里得距离； ③输出层：假设在t时刻该层的输入为gt，那么该层神经元的输出表示为 其中，θ1t表示在t时刻低-中等级阈值，θ2t表示在t时刻中-高等级阈值，-1表示当前系统的可信等级为低级，0表示当前系统的可信等级为中级，1表示当前系统的可信等级为高级； ④评价函数：在t时刻模型的交叉熵损失函数表示为 其中C为分类类别数量，ydt为在t时刻真实标签的独热编码中的第d个元素，yd*t为在t时刻第d个类别的预测输出； ⑤训练神经网络，在约束条件下更新模型的参数： a.对t时刻隐含层的输出ht施加一个约束，ht＝[h1t,…,hqt,…,hRt]T，其中q＝1,2,…,R，计算在t时刻每个神经元占所有神经元之和的比例为 其中，R为隐含层神经元个数，设定一个固定值a，当pqa时，认为神经元占比不满足约束，对整体影响较小，将该神经元对应的权值设置为0，即在计算下一层神经元输入时，就直接忽略了第q个神经元的计算； b.对t时刻隐含层与输出层之间的权值ωt也施加一个约束，ωt＝[ω1t,…,ωqt,…,ωRt]T，其中q＝1,2,…,R，计算每个权值占所有权值之和的比例为 其中，R为隐含层神经元个数，设定一个固定值b，当pq′b时，认为此权值对整体影响较小，在权值更新时可以直接忽略第q个权值的计算； c.通过损失函数梯度下降法更新模型的参数，损失函数对每个参数的梯度表示为 其中为偏导符号，按照梯度的反方向更新模型在t+1时刻的参数，输出层的连接权值、中心值和宽度的更新规则为 其中，ωt+1、ct+1和bt+1分别为t+1时刻隐含层神经元与输出神经元之间的权值、中心值和宽度，α为学习率； d.根据样本的三分之一中位数和三分之二中位数确定初始阈值θ1t和θ2t，动态调整阈值θ1t和θ2t，设定滑动窗口在系统相关数据中动态限定一个数据范围，统计滑动窗口内低、中、高可信等级的样本数量，分别记为n-1、n0、n1，计算各可信等级在窗口内所占的比例为 其中，W为滑动窗口的大小，根据各可信等级所占比例动态调整自适应阈值，若各比例相差较大，则通过中位数方法更新阈值，更新规则表示为 其中，θ1t+1和θ2t+1为更新后的阈值，M-1t、M0t和M1t分别为滑动窗口中各可信等级数据组中特征向量的中位数； ⑥若满足t＝100，或者LtLmax，Lmax为最大学习次数，则完成训练；否则转向步骤③；否则t＝t+1,返回步骤⑤； 4基于径向基函数RBF神经网络的系统动态可信等级计算，选择计算输入样本矩阵，Wt+a＝[wt+1,wt+2,…,wt+e,…,wt+a]，wt+e＝[w1t+e,w2t+e,…,wjt+e,…,wnt+e]T，其中e＝1,2,…,a，a为模型训练次数，n为相关变量个数，依据公式6～22计算模型在t+n时刻的可信等级输出为yt+n。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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”。

以上内容由龙图腾AI智能生成。