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！

龙图腾网获悉电子科技大学申请的专利一种基于量子卷积神经网络的核阀门异常状态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：CN115563464B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202211135581.0，技术领域涉及：G06F18/2433；该发明授权一种基于量子卷积神经网络的核阀门异常状态识别方法是由唐樟春;岳涧洲;湛力;夏艳君;刘志龙;潘阳红设计研发完成，并于2022-09-19向国家知识产权局提交的专利申请。

本一种基于量子卷积神经网络的核阀门异常状态识别方法在说明书摘要公布了：本发明公开了一种基于量子卷积神经网络的核阀门异常状态识别方法，包括：对振动数据进行傅里叶变换，提取时频域特征并将其转化为量子态；构建具有量子模拟电路层、卷积神经网络层、量子比特观测层、全连接层、量子网络优化更新层的量子卷积神经网络模型；多次迭代训练模型并优化模型中的量子门参数，使输出结果尽可能达到目标输出，实现机器学习的多分类任务。本发明能从更多方面提取了量子特征，能够更准确的识别出阀门的异常状态。

本发明授权一种基于量子卷积神经网络的核阀门异常状态识别方法在权利要求书中公布了：1.一种量子卷积神经网络的核阀门异常状态识别方法，该方法包含如下步骤： 步骤1：获取核阀门振动信号和其对应的正常和故障的状态种类，其中故障状态包括阀杆泄漏、阀座泄漏、执行机构选配过大、关闭力矩过高引起的密封面损坏、密封面外泄露，建立数据集，将其划分为训练集和测试集； 步骤2：对数据集中的振动信号进行傅里叶变换，然后提取时频域信号中的特征数据并将其转化为量子态； 步骤3：构建量子卷积神经网络模型，输入为步骤2.4得到的目标量子态，然后输出为核阀门的状态种类：正常、阀杆泄漏、阀座泄漏、执行机构选配过大、关闭力矩过高引起的密封面损坏、密封面外泄露，其中包括量子模拟电路层、卷积神经网络层、量子比特观测层、全连接层、量子网络优化更新层；所述量子模拟电路层用于构建模拟量子电路，并根据输入数据的结构特点对制备的量子比特施加多个受控量子门操作，改变量子比特的量子态，对输入数据进行量子角度编码和量子幅值编码，以实现其特征提取；所述卷积神经网络层包括多个卷积层和池化层，用于提取量子态特征；所述量子比特观测层用于对经过所述量子模拟电路层处理后的量子比特施加测量操作以获得期望值；所述全连接层用于将量子比特观测层得到的期望值映射到神经元进行多分类输出，作为机器学习任务的输出结果；所述量子网络优化更新层用于分析所述量子卷积神经网络模型的输出结果与输入数据对应的目标输出的误差，并根据误差分析结果利用优化算法更新所述量子卷积神经网络模型中受控量子门的参数； 所述量子模拟电路层具体为： 模拟电路层用于构建模拟量子电路，并根据输入数据的结构特点对制备的量子比特施加多个受控量子门操作，改变量子比特的量子态，实现对输入数据的特征提取； 量子模拟电路层由多个量子门构成，利用量子门对连接的量子比特进行操作，改变量子比特的量子态，实现量子态特征的提取，其中，量子门包含可调参数θ，改变可调参数θ能够改变对应量子门对量子比特所施加的操作，带有可调参数的量子门包括Rxθ旋转量子门和Rzθ旋转量子门，其公式分别如下所示： 其中，i为复数单位； 这样得到每一个被编码的初始量子比特量子态为然后，对这些量子比特进行量子幅值编码，量子幅值编码的公式如下所示： 步骤4：利用步骤2得到的训练集量子态数据和步骤3得到的量子卷积神经网络进行迭代训练，直至满足机器学习任务所设置的阈值条件后终止训练，获得训练后的量子卷积神经网络模型； 步骤5：利用步骤2得到的测试集量子态数据验证训练后的量子卷积神经网络模型，验证完成后用于实时核阀门异常状态识别； 步骤2具体过程为： 步骤2.1：对于时域信号的特征数据，提取其峰值xmax，峰峰值xP-P、均值xMV、有效值xRMS、方根幅值xSRA、平均幅值xMA和标准差SD； 步骤2.2：对于频域信号的特征数据，提取其均方频率MSF、均值频率F1和标准偏差频率F2； 步骤2.3：将以上的时频域特征数据转化为量子态。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。