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！

龙图腾网获悉杭州电子科技大学申请的专利一种非侵入式异常电流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：CN118885790B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202410909218.2，技术领域涉及：G06F18/213；该发明授权一种非侵入式异常电流检测方法是由陈科明;刘岩;叶宗昆;孔秀婷;王语瑛设计研发完成，并于2024-07-08向国家知识产权局提交的专利申请。

本一种非侵入式异常电流检测方法在说明书摘要公布了：本发明公开了一种非侵入式异常电流检测方法，属于异常电流检测领域。本发明基于非侵入式电流传感器中收集仪器工作电流数据，通过仪器监测平台筛选原子吸收光谱仪正常状态下的数据，预处理异常数据并重构异常电流数据形成时间序列数据并特征标准化处理。建立GAN‑BiLSTM模型进行训练，最后根据理想模型对输入的电流时序数据得出基于重构误差和基于判别器输出的异常得分。最终通过融合两种异常得分情况遍历电流时序数据以阈值法来判定异常情况，并通知仪器操作人员。本发明可为光谱仪异常监测提供坚实可靠的数据保障，以助力仪器使用者更好地管理光谱仪类科研仪器。

本发明授权一种非侵入式异常电流检测方法在权利要求书中公布了：1.一种非侵入式异常电流检测方法，其特征在于该方法包括如下步骤： 1仪器设备电流数据采集并建立数据集： 所述数据集中的数据为包括2种标签的仪器设备的电流数据，所述2种标签分别为标签一和标签二； 所述标签一包括仪器设备工作状态正常和异常； 所述标签二为采集电流的时刻； 将仪器设备的电流数据按时刻进行排列，得到时间序列的电流数据； 采用归一化方式对时间序列的电流数据进行处理，将时间序列的电流数据映射到统一的区间[0,1]之间； 2基于GAN网络和BiLSTM算法搭建算法模型，得到GAN-BiLSTM模型； 所述GAN-BiLSTM模型以循环一致性生成对抗网络为算法框架，所述循环一致性生成对抗网络由正向对抗网络和反向对抗网络组成，正向对抗网络记为正向GAN；反向对抗网络记为反向GAN； 正向GAN和反向GAN都包括生成器和判别器；基于CNN特征提取模块和BiLSTM算法构造所述算法框架的生成器；所述判别器由全连接层组成； 所述正向GAN和反向GAN的生成器分别为生成器G和生成器； 所述正向GAN和反向GAN的判别器分别为判别器和判别器； 3使用训练完成的GAN-BiLSTM模型对电流序列进行处理，所述电流序列具体为时间序列的仪器设备电流数据； 所述仪器设备为原子吸收光谱仪； 分别得到重构误差和判别器输出，基于重构误差和判别器输出，构建异常阈值，并根据基尼指数对异常阈值进行优化，得到电流序列中的异常电流数据点； 所述GAN-BiLSTM模型的训练过程包括如下步骤： 从所述步骤1得到的数据集中提取训练数据； 把训练数据和随机采样白噪声输入CNN特征提取模块，挖掘输入向量内在的局部特性，得到提取特征后的数据； 由BiLSTM算法双向处理提取特征后的数据，捕捉并整合时间序列的动态变化趋势，最终实现结合输入的训练数据和随机采样白噪声来得到逼真的序列数据； 将所述序列数据和训练集中的数据输入判别器，输出来自训练数据和生成器输出的序列数据之间的差异，并输出用于评价输入数据为训练集中数据的概率； 在具体训练中，先初始化模型中的生成器和判别器参数，构建目标函数，依次进行固定生成器训练判别器和固定判别器训练生成器，循环进行迭代优化，直至目标函数趋于稳定； 所述构建目标函数，包括如下步骤： 基于训练数据和生成器输出的序列数据，生成对抗目标函数； 其中，； X为输入数据域，为的分布，为1-Lipschitz连续函数的集合； 基于隐向量空间的生成器生成的序列数据与其判别器，生成对抗目标函数； ； 最小化训练数据与重构得到的样本的L2范数，对抗目标函数如下式所示： ； 结合以上三种损失，得到最终的目标函数如下式所示： ； 步骤3中，所述重构误差的获取方法包括以下步骤： 给定两个时间序列和，按下式计算与中任意2点间的距离： ； 其中，，； 得到的距离矩阵： ； 接下来使用动态规划的思想来寻找最优的规整路径，如下式所示： ； 其中，表示规整路径位置，即表示与对齐，； 通过构造代价矩阵确定，矩阵元素如下式所示： ； 其中，，，，； 最优规整路径的动态时间规整距离，使得和的累积距离值最小；动态时间规整距离计算得重构误差如下式所示： ； 步骤3中，所述基于重构误差和判别器输出，构建异常阈值，并根据基尼指数对异常阈值进行优化，得到电流序列中的异常电流数据点，包括以下步骤： 3.1融合重构误差和判别器输出，得到的异常分数集合； 采用z-score标准化方法对重构误差和判别器输出分别进行归一化处理得到异常指标和； 异常分数集合中，每个元素为异常分数score，所述异常分数的计算方式如下式所示，的值为0.5； ； 3.2构建异常阈值，并根据基尼指数对异常阈值进行优化 统计训练数据和生成器输出的序列数据的误差均值、误差标准差，取3倍标准差作为异常检测的容忍限度，得到初始异常阈值，如下式所示：； 遍历所述异常分数集合；并将遍历得到的每个异常分数score与阈值thres进行对比，按照异常分数小于等于阈值和异常分数大于阈值的规则将切分两个部分:和； 按如下式所示的方式计算集合的基尼指数： ； 通过使所述基尼指数最小化的方式对初始异常阈值进行优化，得到优化后的阈值。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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。