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！

龙图腾网获悉烟台哈尔滨工程大学研究院申请的专利基于改进卷积神经网络的管道泄漏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：CN120524181B 。

龙图腾网通过国家知识产权局官网在2025-12-26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：202511028235.6，技术领域涉及：G06F18/21；该发明授权基于改进卷积神经网络的管道泄漏识别方法是由张猛;田庆宇;王佳浚;郝智刚;于洋;潘智超;谢耀国;曲先强;崔洪斌;刘红兵设计研发完成，并于2025-07-25向国家知识产权局提交的专利申请。

本基于改进卷积神经网络的管道泄漏识别方法在说明书摘要公布了：本发明涉及海上平台管道泄漏识别领域，公开了基于改进卷积神经网络的管道泄漏识别方法，首先，在实验室构建管道泄漏模型，采集多种工况的泄漏信号，在“荔湾3‑1”海上平台的19m和29m位置获取真实背景噪声，并将真实背景噪声注入实验室泄漏信号以模拟真实工作环境，最终，对传统一维卷积神经网络进行改进，其核心是引入残差连接增加训练的稳定性，引入最大池化和平均池化减小特征图尺寸，减少计算量，使用Dropout正则化技术防止模型过拟合，使用自适应矩估计优化算法来调整网络权重，之后对卷积神经网络结构进行自适应设计，该方法实现了高准确率的管道泄露识别并且具有良好的鲁棒性，解决了传统机器学习方法严重依赖人工干预，识别流程复杂的问题。

本发明授权基于改进卷积神经网络的管道泄漏识别方法在权利要求书中公布了：1.一种基于改进卷积神经网络的管道泄漏识别方法，其特征在于，包括以下步骤： S1、在实验室受控环境中建立管道泄漏模型，所述管道泄漏模型包括压力管道、打压泵、压力表以及控制阀门组成，在不少于三种泄漏孔径工况下通过声发射传感器采集管道泄漏信号； S2、在海上平台进行实地调查，分别在预设高度的海上平台通过声发射传感器采集管道实际背景噪声信号； S3、将实际背景噪声信号按比例注入管道泄漏信号中，生成模拟真实工况的带标签训练数据集，并改进卷积神经网络结构，包括： a、引入残差连接：在初始卷积层后串联残差块，每个残差块包含两个卷积层，每层后接批归一化及ReLU激活函数，残差连接设置于第一平均池化层前及第二平均池化层前后； b、结合最大池化与平均池化：在残差款间插入平均池化层，在输入层后设置最大池化层； S4、引入正则化及优化算法，在全连接层前加入Dropout层，设定丢弃率，并采用Adam优化算法动态调整网络权重； S5、对卷积神经网络结构进行自适应设计并按序配置，分别为输入层、初始卷积层、最大池化层、多个残差块、卷积层、Dropout层、全连接层以及输出层，其中每个残差块后衔接一个平均池化层； 所述S5中的自适应设计按以下细则实现分阶段训练策略： 初始训练阶段以残差块为冻结单位，保持前两层残差块的权重参数锁定，仅允许后续卷积层和全连接层参与参数更新，锁定比例根据总体网络深度设定； 中期训练阶段采用动态解冻机制，每完成预设数量的训练周期后解除一个残差块权重锁定状态，解冻顺序按照网络深度调整； 最终训练阶段开放全部网络参数进行联合调整，学习率根据初始值进行调整，调整轮次根据总训练周期设定； S6、将所述带标签训练数据集按比例划分为训练集和测试集，并设定批处理量和训练周期进行训练，输出混淆矩阵及准确率-损失曲线评估管道泄漏模型性能； S6的训练完成后，还包括以下后处理步骤： S6.1、基于所述混淆矩阵和准确率-损失曲线，提取模型预测中的不确定样本，所述不确定样本为置信度低于预设阈值的泄漏信号分类结果； S6.2、对不确定样本进行时频图分析，具体包括： 根据频谱图和时频图处理方法应用短时傅里叶变换生成时频图，提取时频图中的能量分布特征，并与正常样本对比以识别异常模式； S6.3、将异常模式反馈至S3步骤，动态调整噪声注入比例，其中噪声比例调整公式为： 其中，βold为原噪声比例，βnew为新噪声比例，误分类率从混淆矩阵导出，目标准确率为预设值，使用调整后的带标签训练数据集重新训练管道泄漏模型，迭代优化混淆矩阵。

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烟台哈尔滨工程大学研究院，其通讯地址为：264000 山东省烟台市烟台经济技术开发区青岛大街1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。