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！

龙图腾网恭喜福州大学申请的专利基于BiLSTM预测偏离度的浮选过程故障早期预警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：CN116597350B 。

龙图腾网通过国家知识产权局官网在2025-06-03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：202310546858.7，技术领域涉及：G06V20/40；该发明授权基于BiLSTM预测偏离度的浮选过程故障早期预警方法是由廖一鹏;严欣;朱坤华设计研发完成，并于2023-05-16向国家知识产权局提交的专利申请。

本基于BiLSTM预测偏离度的浮选过程故障早期预警方法在说明书摘要公布了：本发明提供一种基于BiLSTM预测偏离度的浮选过程故障早期预警方法：首先，采集泡沫视频图像并提取视频序列颜色特征，构建样本数据集；然后，构建基于ResNet50和BiLSTM的时间序列预测模型，将ResNet50提取的空间特征输入到BiLSTM网络进行颜色的时间序列预测；其次，采用正常工作数据集对时间序列颜色特征进行预测，根据预测值和实际值计算偏离度、确定预警阈值；最后，实时采集泡沫视频图像进行颜色特征预测，当预测偏离度超限时进行生产故障早期预警。本发明方法的时间序列颜色特征的预测偏差小、拟合度好，故障预警时间得到有效提前，能够实现浮选过程故障的早期预警，有效减少矿产资源和药剂的浪费。

本发明授权基于BiLSTM预测偏离度的浮选过程故障早期预警方法在权利要求书中公布了：1.基于BiLSTM预测偏离度的浮选过程故障早期预警方法，其特征在于，包括以下步骤：步骤1，获取历史浮选过程数据集，其中包括正常状态数据集和故障状态数据集；将数据集进行数据清洗预处理，并选择模型预测量；将其中的正常状态数据集利用6：2：2的比例划分为训练集，验证集和测试集，将训练集数据作为模型的输入，提取训练集视频帧的图像颜色a通道均值、a通道标准差这2个与故障相关的测点参数，将2个测点参数的时间序列数据作为模型的预测输出值，对故障预测模型进行训练，并通过验证集测试模型的训练效果；步骤3：首先保存步骤2训练好的故障预测模型，把正常测试集作为该模型的输入数据，以此来验证模型的泛化能力和预测精度，然后利用均方根误差RMSE、平均绝对误差MAE和拟合系数R2作为评估预测效果的指标，最后结合由对应的泡沫视频帧提取的颜色测点参数值计算正常浮选过程状态下偏离度和预警阈值，得到故障预警模型；步骤4：通过故障测试集对故障预警模型测试，将故障测试集输入故障预警模型，得到预测值并根据预测值计算偏离度，根据偏离度是否超出预警阈值进行早期预警，验证预警模型的有效性；步骤5：实时采集泡沫视频图像输入到故障预警模型，得到预测值并根据预测值计算偏离度，若偏离度超出了预警阈值，则认为浮选过程有发生故障的趋势，给出预警信号；浮选过程故障预警模型构建具体为：采用ResNet50网络提取输入的浮选泡沫视频帧的特征，将经过数据预处理的视频帧数据输入到ResNet50网络中，提取每个时间点数据的空间特征，然后将其传递到BiLSTM网络进行时间序列预测；ResNet50网络对输入数据进行特征提取后，经过一段时间的积累，形成特征值序列，其随时间波动形成的波形反映出浮选过程状态的变化；将从ResNet50网络上学习到的数据特征输入到BiLSTM网络，由其对数据特征做时序编码，获取时序上的特征向量后，再送入全连接层，完成时间序列的预测；基于ResNet50和BiLSTM构建浮选过程故障预测模型；故障预测模型包含训练模型和测试模型两个部分，两个部分模型都主要包括数据输入、深度网络和预测输出这三个部分；在数据输入部分中，首先将浮选泡沫可见光视频帧通过数据预处理后，作为预测模型的输入，其中，训练集和验证集作为训练模型的输入，正常测试集作为测试模型的输入；深度网络中包含ResNet50和BiLSTM网络，ResNet50网络用来提取每个时间点输入数据的空间特征，然后将其传递到BiLSTM网络学习数据间的相关性，对数据特征进行时序编码，从正、反两个方向提取时间序列特征；在预测输出部分中，将所提取的时序特征送入全连接层，通过全连接层输出预测值，其中，在训练模型中，将泡沫视频图像转换至CIElab空间提取a通道的均值和方差这2个颜色方面的测点，将2个测点参数的时间序列数据作为模型的预测输出值，对故障预测模型进行训练，以此得到故障预测模型；而在测试模型中，由全连接层输出对下一时刻颜色测点参数的预测值，完成时间序列的预测，然后再结合由对应的泡沫视频帧提取的颜色测点参数值计算正常偏离度和预警阈值，进一步得到故障预警模型；偏离度定义和预警策略具体为：构建的ResNet50-BiLSTM浮选过程故障预测模型经过正常浮选过程数据集的训练，当模型接收到新的时间序列数据后，根据学习的结果预测出下一刻的数据；当浮选过程出现故障的趋势时，相关监测变量较正常状态数据会出现一定的偏差，当这个偏差超过设定的安全阈值时，则判定浮选过程出现早期故障；通过下式计算本节ResNet50-BiLSTM网络模型输出的预测值与实际值之间的残差rij； 式中：rij为在j时刻变量i的残差；yij和分别为在j时刻变量i的实际值和本节模型输出的预测值；根据对模型预测量的选择，共有4个测点参数，所以每一时刻的残差数据形成一个4维向量，根据下式计算该时刻浮选过程偏离正常状态的偏离度；对每一时刻的偏离度进行计算，从而形成一个偏离度序列； 偏离度序列存在多个极值点和非平稳性，采用广义极值理论计算预警阈值，其求解的具体步骤如下：将偏离度序列分解成多个有相同数据点的最小区间，选择5个点作为最小区间；则每个区间内最大值M的计算方法如下式所示：M＝max{x1,...,xn}式中：xi为一个最小区间内的值；{x1,...,xn}是同分布且独立的随机序列；设随机序列的分布函数为F，则M的分布和{x1,...,xn}的分布函数F之间的关系为：Pr{M≤z}＝Pr{x1≤z,…,xn≤z}＝Pr{x1≤z}×…×Pr{xn≤z}＝{Fz}n由于分布函数F未知，所以假设存在μ和σ满足：Pr{M-μσ}→Gz式中：μ为位置参数；σ为尺度参数；G为广义极值分布函数，根据下式计算：Gz＝exp{-[1+z-μσ]-1ξ}式中：广义极值分布函数定义于集合{z:1+ξz-μσ＞0}，其中，参数μ和ξ分别满足：-∞＜μ＜∞,σ＞0,-∞＜ξ＜∞；通过最大似然估计方法求得广义极值分布的位置参数μ、尺度参数σ和形状参数ξ，通过下式计算预警阈值；Th＝μ-σ[1-{-ln1-α}-ξ]ξ综上，在浮选过程中，若是偏离度序列维持在预警阈值以内，则判定浮选过程正常，若偏离度超出了预警阈值，则判定浮选过程有发生故障的趋势，以此来实现故障预警；BiLSTM构建正向和反向两条LSTM网络来提取特征信息；将同一个输入序列分别接入前向和后向两个LSTM网络中，然后改变两个LSTM网络的内部结构；BiLSTM的运算过程如下：前向传播的更新公式如下： 后向传播的更新公式如下： 前向后向网络层叠加后输出的公式如下： 式中：t表示时间序列；表示t时刻的隐层向量，箭头代表方向；xt和yt分别表示t时刻的输入和输出；Wxh、Whh和Why分别表示输入-隐层、隐层-隐层和隐层-输出层的权重矩阵；bh和by分别表示隐层和输出层的偏置向量；H表示隐层激活函数；将泡沫图像转换到CIELab颜色空间上，提取能表征红色程度的a通道上的数字特征，根据下式计算该通道的2个统计量，即均值μ和标准差σ，每帧图像共得到了2维统计量：a通道均值和a通道方差，它们构成对应图像的颜色特征向量； 式中：pij表示图像在i,j处的像素值；M和N表示图像的宽和高。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。