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！

龙图腾网获悉大连理工大学申请的专利基于物理约束神经网络的金属粉尘浓度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：CN121189377B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202511725101.X，技术领域涉及：G06N3/042；该发明授权基于物理约束神经网络的金属粉尘浓度检测方法是由姜海鹏;陆剑心;高伟;赵峰宇;靳松灵;路正康;李国梁;罗京设计研发完成，并于2025-11-24向国家知识产权局提交的专利申请。

本基于物理约束神经网络的金属粉尘浓度检测方法在说明书摘要公布了：基于物理约束神经网络的金属粉尘浓度检测方法，属于粉尘浓度检测和粉尘防爆技术领域。该方法对单个粉尘颗粒在棒状感应电极周围运动时产生的电压变化，构建由物理公式描述的三维空间灵敏度模型，作为约束条件建立神经网络，使用开敞空间粉尘散布平台和棒状静电感应传感器，记录不同浓度粉尘产生电压信号，作为输入数据进行训练，实现粉尘浓度预测，通过与传统ANN神经网络、滑动滤波方法、中值滤波方法进行比较，验证提出的方法具有更高精度，克服了传统神经网络可解释性差的问题，能够更快提取数据中的关键特征，符合粉尘作业场景需要，具有良好的推广应用价值。

本发明授权基于物理约束神经网络的金属粉尘浓度检测方法在权利要求书中公布了：1.基于物理约束神经网络的金属粉尘浓度检测方法，其特征在于： 以物理模型为约束条件，构建物理约束神经网络模型，通过实验采集静电感应传感器采集到的不同浓度粉尘产生的电压信号数据，作为数据集对神经网络模型进行训练，捕捉粉尘数据隐藏特征，实现粉尘浓度预测；具体包括以下步骤： S1、采集数据：随机挑选不同浓度粉尘数据，将测量序列与电压信号组合形成二维向量构成数据集，作为神经网络输入，数据集按比例划分为训练集和验证集； S2、网络结构与映射关系：构建以时间为输入的物理约束神经网络；除输入层外，隐藏层由多层全连接单元构成，选用tanh和ReLU激活函数，网络输出为在离散空间内的平均粉尘密度； S3、灵敏度核卷积机理映射与观测模型：依据静电感应机理与棒状电极的空间灵敏度推导，单元体在处对电极感应电荷的贡献用灵敏度核表示；预测的总感应电荷为： ； 其中为感应区域，为电极半径与有效长度； 测得的电压标准差即等效电压量，与感应电荷之间采用线性观测映射； S4、构造损失函数：物理约束神经网络损失函数由三部分组合： ； 其中，为以最小二乘数计算的数据一致性项： ； 其中，为对应样本内的总采样点数，为采样时间，为模型在该时的预测电压信号强度，为该时的真实电压信号强度； 为弱形式与先验约束组合的物理约束项，包括质量数密度约束，选取峰值时刻，以体平均一致性约束浓度—数密度—电荷密度关系计算： ； ；其中，为喷粉后等效均匀质量浓度，表示粉尘颗粒材料密度，表示粉尘颗粒平均半径，代表感应区的积分域，，表示穿越感应区的体积分数，为单颗粒平均电荷；表示平滑与扩散先验，用于表征粉尘云在开敞空间的团簇‑弥散特性，用各向同性二阶差分近似拉普拉斯计算： ； 远场衰减先验的计算方式为： ； 为物理约束项，由叠加计算： ；其中，为弱形式与先验约束组合约束项权重，为平滑与扩散先验权重，为远场衰减先验权重；为物理约束项权重，用于控制物理先验约束对损失函数的影响程度； 为正则化项，用于抑制虚假高频与稀疏先验，其计算方式为： ； 其中，为全部可训练参数，、分别为权重与偏置，为L1系数； 为正则化约束项权重，用于控制正则化项对损失函数的影响程度； S5、反向传播与参数更新： 使用Adam自适应方法进行参数更新，遵循梯度下降： ； 其中，为学习率，根据链式法则对权重的梯度示意为： ； ；S6、模型训练：将训练集逐批输入网络，最小化损失函数。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。