買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉浙江工業大學之江學院申請的專利基于循環神經網絡集成的超聲波燃氣表故障預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115660141B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211104623.4，技術領域涉及：G06F17/00；該發明授權基于循環神經網絡集成的超聲波燃氣表故障預測方法是由何文秀;王璨設計研發完成，并于2022-09-09向國家知識產權局提交的專利申請。

本基于循環神經網絡集成的超聲波燃氣表故障預測方法在說明書摘要公布了：一種基于循環神經網絡的超聲波燃氣表故障預測方法，包括：采集超聲波燃氣相關歷史數據；對歷史數據進行預處理；對時間預測RNN集成模型預訓練；將預處理過訓練集的數據輸入到時間預測RNN集成模型得到輸出結果；對輸出的預測結果以及對應的真實數據進行進一步的預處理；運用損失函數對時間預測RNN集成模型內的參數進行調整；用測試集的數據對模型進行測試。本發明基于時間預測RNN集成模型，可以實現對超聲波燃氣的預測，同時根據預測數據和實際數據的偏差值對模型不斷進行修正，模型不斷地被完善，得到很好的預測效果。

本發明授權基于循環神經網絡集成的超聲波燃氣表故障預測方法在權利要求書中公布了：1.一種基于循環神經網絡的超聲波燃氣表故障預測方法，包括如下步驟： 1對時間預測RNN集成模型進行預訓練；時間預測RNN集成模型包括順流時間預測RNN模型和逆流時間預測RNN模型，使用正常的超聲波在流體中順、逆流傳播時間數據集，對時間預測RNN集成模型預訓練，分別對順流時間預測RNN模型和逆流時間預測RNN模型訓練10個epochs；順流時間預測RNN模型和逆流時間預測RNN模型包括的結構為：原始輸入信號的尺寸為32*1，使用LSTM后得到維度為32*16的特征層，使用dropout操作得到新的維度為32*16的特征層，使用LSTM得到維度為32的特征層，使用dropout得到新的維度為32的特征層，使用全連接得到維度為1的特征層，運用損失函數計算預測的下一個數據與真實數據之間的差距； 2采集超聲波燃氣相關歷史數據；對超聲波燃氣表進行相關時間數據監控采樣；采取每個超聲波在流體中的初始順流傳播時間ti_up、超聲波在流體中的初始逆流傳播時間ti_down；之后對超聲波燃氣進行連續一段時間的采樣，實時采樣并記錄燃氣實時順流傳播時間tm_up,實時逆流傳播時間tm_down,每隔20秒取一個樣本點； 3對步驟2采集到的燃氣實時順流歷史數據進行預處理；將獲得的實時順流傳播時間tm_up數據，按照訓練集：測試集＝8：2的比例，將前面80％的數據作為訓練集數據，剩下20％的數據作為測試集數據；對收集到訓練集的實時順流傳播時間tm_up數據進行有重疊的分段，即每隔1個樣本點取32個樣本點，這樣對采集到的樣本可以得到如下時間序列數組： arrayi_up＝{ti,ti+1,......ti+32}，i∈[1,n] 其中，i表示第i組數據,n是訓練集的最后一組數據； 4將預處理過訓練集的數據輸入到順流時間預測RNN模型得到輸出結果； 對實時順流傳播時間tm_up進行預測； 運用順流時間預測RNN模型；該模型的輸入為訓練集中的時間序列數組： arrayi_up 其中，i表示第i個時間序列數組,i∈[1,n]； 輸出的為預測的接下來的1個數據；每輸入一組數據，就會輸出這組數據接下來的1個數據；將這些輸出的數依次記為F＝{f1,f2,……fn}；與之對應的真實值序列為T＝{t33,t34,……,tn+32}，其中，n表示的是訓練集預測的最后一位數據； 5對輸出的數據F＝{f1,f2,……fn}進行如下的預處理： fo_i＝softmaxfi，i∈[1,n]1 FO＝{fo_1,fo_2,……fo_n}2 其中，fo_i是預處理過的預測數據，i表示第i個數據；FO是預處理過的預測數據集；中的fi表示模型輸出的預測數據，i表示第i個數據；中的fj表示的是模型輸出的預測數據，j表示第j個數據； 對真實數據T＝{t33,t34,……,tn+32}進行預處理， to_i＝softmaxti+33，i∈[1,n]4 TO＝{to_1,to_2,……to_n}5 其中，to_i是預處理過的真實數據，i表示第i個數據；TO是預處理過的真實數據集；中的ti+33表示真實數據，i表示第i個數據；中的tj+33表示的是真實數據，j表示第j個數據； 運用損失函數計算預測值與真實值之間的誤差： 通過不斷訓練模型，調整順流時間預測RNN模型內的參數，使損失函數Li的值不斷趨向于0； 6用測試集對模型進行測試；將測試集的數據輸入至訓練完的順流時間預測RNN模型，輸出為預測的順流時間，將其與真實值之間運用損失函數計算誤差，判斷損失函數的結果是否在合理的范圍內；若在合理的范圍內，則模型訓練完成；若不在合理的范圍內，則重新返回步驟4對模型再訓練； 7對步驟2采集到的燃氣實時逆流歷史數據進行預處理；獲得的實時逆流傳播時間tm_down數據，按照訓練集：測試集＝8：2的比例，將前80％的數據作為訓練集數據，剩下的20％的數據作為測試集數據；對收集到訓練集的實時逆流傳播時間tm_down數據進行有重疊的分段，即每隔1取32個樣本點，這樣對采集到的樣本可以得到如下所示時間序列數組： arrayi_down＝{ti,ti+1,.....ti+32} 其中，i表示第i組數據，n是訓練集的最后一組數據； 8將預處理過訓練集的數據輸入到逆流時間預測RNN模型得到輸出結果； 對實時逆流傳播時間tm_down進行預測； 運用逆流時間預測RNN模型；該模型的輸入為訓練集中的時間序列數組： arrayi_down 其中，i表示第i個時間序列數組； 輸出的為預測的接下來的1個數據；每輸入一組數據，就會輸出這組數據接下來的1個數據；將這些輸出的數依次記為P＝{p1,p2,……pn}；與之對應的真實值序列為R＝{r33,r34,……,rn+32}，其中，n表示的是訓練集預測的最后一位數據； 9對輸出的數據P＝{p1,p2,……pn}進行預處理， po_i＝softmaxpi，i∈[1,n]9 PO＝{po_1,po_2,……po_n}10 其中，po_i是預處理過的預測數據，i表示第i個數據；PO是預處理過的預測數據集；中的pi表示模型輸出的預測數據，i表示第i個數據；中的pj表示的是模型輸出的預測數據，j表示第j個數據； 對真實數據R＝{r33,r34,……,rn+32}進行預處理， ro_i＝softmaxri+33，i∈[1,n]12 RO＝{ro_1,ro_2,……ro_n}13 其中，ro_i是預處理過的真實數據，i表示第i個數據；RO是預處理過的真實數據集；中的ri+33表示真實數據，i表示第i個數據；中的rj+33表示的是真實數據，j表示第j個數據； 運用損失函數計算預測值與真實值之間的誤差： 通過不斷訓練模型，調整逆流時間預測RNN模型內的參數，使損失函數Li的值不斷趨向于0； 10用測試集對逆流時間預測RNN模型進行測試；將測試集的數據輸入至訓練完的逆流時間預測RNN模型，輸出為預測的逆流時間，將其與真實值之間運用損失函數計算誤差，判斷損失函數的結果是否在合理的范圍內；若在合理的范圍內，則模型訓練完成；若不在合理的范圍內，則重新返回步驟2對模型再訓練； 11將順流時間預測RNN模型和逆流時間預測RNN模型簡單組合在一起，構成時間預測RNN集成模型，由時間預測RNN集成模型每隔一段時間就按照步驟2中的采樣方法實時采樣燃氣的實時順、逆流時間，預測燃氣的順、逆流時間，實現模型預測功能； 12對于預測得到的數據，當燃氣的流速vm＝0時，當預測的數據tm1_up＝tm1_down和初始記錄的順、逆流時間數據ti1_up＝ti1_down之間的差值達到時間閾值下限時，將向遠程終端發出安全警告。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人浙江工業大學之江學院，其通訊地址為：312030 浙江省紹興市柯橋區柯華路958號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。