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！

龙图腾网恭喜浙江大学申请的专利一种基于流程工业数字孪生平台多模态数据的软测量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：CN117708521B 。

龙图腾网通过国家知识产权局官网在2025-03-11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：202311622402.0，技术领域涉及：G06F18/20；该发明授权一种基于流程工业数字孪生平台多模态数据的软测量方法是由杨春节;赵雨辰;刘哲;孙优贤;肖航;王维彬设计研发完成，并于2023-11-30向国家知识产权局提交的专利申请。

本一种基于流程工业数字孪生平台多模态数据的软测量方法在说明书摘要公布了：本申请提供了一种基于流程工业数字孪生平台多模态数据的软测量方法，从数据集成层中读取相应的过程变量时间序列和生产过程图像序列等多模态数据序列，对读取到的各类多模态数据序列进行时间尺度的统一以及时间窗口的对齐，在此基础上，从图像序列中提取图像特征时间序列，利用对齐后的各类时间序列对相应的性能指标进行软测量，并将性能指标软测量的结果反馈给流程工业数字孪生平台的数据集成层，以实现软测量结果在其他任务和服务上的快速调用，形成信息流动闭环。上述方法能够自动、快速、准确地对流程工业中一些难以获得的性能指标进行软测量，提升了流程工业性能指标软测量的效果，进而为监测、诊断、优化控制等下游任务提供参考和指导。

本发明授权一种基于流程工业数字孪生平台多模态数据的软测量方法在权利要求书中公布了：1.一种基于流程工业数字孪生平台多模态数据的软测量方法，其特征在于，包括：从流程工业数字孪生平台的数据集成层中读取相应的过程变量时间序列和生产过程图像序列多模态数据序列，所述过程变量是与流程工业产线、系统和设备运行状况紧密相关的参数，包括产线关键环节的温度、压力、流量，所述生产过程图像是指通过部署在产线上的图像采集装置获取的，包含生产过程重要信息的黑白、灰度或者彩色的图像数据，包括对产品表面的镜检结果，燃烧设备内的火焰成像，封闭反应器内的液位图像；对读取到的各类多模态数据序列进行时间尺度的统一，所述时间尺度是指在一个时间序列中，相邻两个数据点、观测值或者相邻两张图片之间的时间跨度；对统一时间尺度后的各类多模态序列进行时间窗口对齐，所述时间窗口是指用于性能指标软测量的多模态数据序列的选取范围；将图像序列输入一种基于三维注意力卷积的图像序列特征提取网络，提取图像特征时间序列，所述图像特征时间序列是指包含图像的各种结构、纹理和形状特征的特征向量序列；利用对齐后的各类时间序列进行性能指标软测量，所述性能指标软测量通过基于预先训练好的，具备性能指标软测量功能的性能指标软测量模型实现，所述性能指标软测量模型是能够综合输入时间序列信息，建立时间序列和所需预测性能指标大小关系的模型；将性能指标软测量的结果反馈给流程工业数字孪生平台的数据集成层，以实现软测量结果根据需要被快速调用，形成信息流动闭环；所述的一种基于三维注意力卷积的图像序列特征提取网络，网络的组成包括：Gamma变换模块，所述Gamma变换模块采用的Gamma变换方法是一种在图像处理中常用的非线性操作，通过对图像中每一个元素的强度进行指数调整，从而改变图像整体上的亮度和对比度；空洞卷积模块，所述空洞卷积模块采用了一个三维卷积核进行特征提取，并在三维卷积核的长度维度引入空洞，以扩展三维卷积核的时间感受野；注意力模块，所述注意力模块包含图像序列时空注意力计算，图像序列通道注意力计算以及两类注意力融合三个算法，用于对输入的图像序列赋予全维度的注意力；池化层模块，所述池化层模块用于对产生的特征图数据的分布进行调整，从而减少特征图中的噪声，并保留特征图序列的整体特征；所述的空洞卷积模块使用三维卷积网络实现图像序列特征的提取，所述三维卷积网络采用三维卷积核进行特征提取，每一个卷积核可以在序列长度、宽度和高度三个维度滑动并完成特征的提取： 其中，I和M分别表示输入图像和输出特征图，K表示可训练的卷积核，h，w，l和i，j，k分别表示特征图和卷积核上的像素的位置；此外，cin和co分别是输入图像和输出特征图的通道数；在所述三维卷积核的长度维度引入空洞，以扩展所述三维卷积核的时间感受野；所述注意力模块包含三个算法：图像序列时空注意力计算，图像序列通道注意力计算，以及两类注意力的融合；所述图像序列的时空注意力使用一个维度为1×1×n的三维卷积核来实现这一功能： 其中，STA表示图像序列的时空注意力权重，其长度、宽度、高度形状与输入图像序列相对应，但只有形状为1的通道维度，σ表示Sigmoid变换，时空注意力算法在高度和宽度维度上使用逐点卷积来加权空间信息，而在时间维度上，则使用特定的感受野大小来考虑相邻图像之间的时序关系；所述图像序列的通道注意力通过对图像序列的最大池化和平均池化方法生成一对特征向量，然后通过一个共享的全连接层自编码器，将这些特征向量转化为两个通道权重向量，所述权重向量随后通过平均和Sigmoid变换，最终形成一组与输入图像通道数一致的通道注意力权重： 其中，CA表示图像序列的通道注意力权重，δ表示自编码器中使用的ReLU激活函数，H、W、L分别表示图像序列的高、宽和长度，W1和W2分别表示编码器和解码器的权重矩阵；所述注意力融合的方法为：AA＝STA⊙CA 其中，AA是缩放前的注意力权重，AAsc是缩放后的注意力权重，⊙表示两个向量的哈达玛积，当两个向量形状不同时，采用广播机制运算；au和al是用于min-max缩放的上界和下界因子，用于对全维度注意力进行缩放；min-max缩放过程帮助调整注意力权重的分布，更好地适应图像序列特征提取任务；所述的特征提取网络，整个图像序列特征提取网络由注意力模块、空洞卷积模块、最大池化模块交替而成，以实现图像序列特征序列的提取，最后，经过各类模块处理的特征图序列将通过Squeeze方法进行降维，并通过一组1×1的二维卷积，获取对图像序列信息进行概括和抽象表示的图像特征时间序列。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。