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！

龙图腾网获悉齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)申请的专利一种物理知识引导的模型可解释性分析方法及诊断系统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：CN121705661B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202610195603.4，技术领域涉及：G06F18/20；该发明授权一种物理知识引导的模型可解释性分析方法及诊断系统是由贺云鹏;杨明;吴晓明;王鑫;刘臣胜;陈振娅;穆超;徐硕;吴法宗设计研发完成，并于2026-02-11向国家知识产权局提交的专利申请。

本一种物理知识引导的模型可解释性分析方法及诊断系统在说明书摘要公布了：本发明涉及一种物理知识引导的模型可解释性分析方法及诊断系统，属于油井故障诊断技术领域，方法包括：采集示功仪中的传感器数据，对数据进行规范化处理得到预处理后的灰度图像，作为油井故障诊断离线数据集；构建基于改进EffcientNet的物理知识引导的油井工况智能诊断模型，将井故障诊断离线数据集作为模型输入；采用基于不确定性加权的多任务协同训练机制，优化油井工况智能诊断模型的参数，得到优化后的油井工况智能诊断模型；采用多维度指标对优化后的油井工况智能诊断模型进行性能量化评估；进行油井工况实时监测与诊断，输出结果并响应异常。本发明实现对油井实时工况的精准且可解释的智能诊断。

本发明授权一种物理知识引导的模型可解释性分析方法及诊断系统在权利要求书中公布了：1.一种物理知识引导的模型可解释性分析方法，其特征在于，所述方法包括以下步骤： S1.采集示功仪中的传感器数据，对数据进行规范化处理得到预处理后的灰度图像，将预处理后的灰度图像作为油井故障诊断离线数据集； S2.构建基于改进EffcientNet的物理知识引导的油井工况智能诊断模型，将井故障诊断离线数据集作为模型输入；步骤S2的具体步骤为： S21.构建基于改进EffcientNet的物理知识引导的油井工况智能诊断模型，所述模型通过级联的卷积层与MBConv模块对输入灰度图像进行多层级特征提取，进行从低层几何结构到高层语义信息的特征表征； S22.构建基于Layer-CAM的可视化解释模块，通过融合深层特征映射与梯度信息，进行神经网络决策关键区域的定位与分析；步骤S22的具体步骤为： S221.通过前向传播，提取步骤S21中EfficientNet模型第层卷积输出的特征图，并获取模型对类别的预测分数，其中表示特征图的空间尺寸，为通道数； S222.计算特征图中各空间位置与预测类别之间的梯度权重张量： ； 其中，为三维梯度张量，为第层第个通道在位置的激活值； S223.采用ReLU函数对梯度权重进行过滤，保留对类别判断具有正向影响的特征： ； S224.将激活图与梯度权重进行加权融合，得到初始类别激活图： ； 其中，为Hadamard积； S225.将类别激活图进行归一化处理，将数值范围压缩至： ； S226.将归一化后的激活图通过上采样恢复至原始输入图像的尺寸： ； S23.通过基于Layer-CAM的物理知识引导损失约束机制，将具备物理意义的可解释区域作为前置约束主动融入模型训练过程；步骤S23的具体步骤为： S231.模型的预测输出对应输入样本的真实工况标签，表示为，具有物理意义的定位热力图表示为： ； S232.采用均方误差度量显著区域的集中程度，构建物理引导损失函数： ； 其中，为当前批次个样本在位置的平均显著权重，和分别为热力图的高度与宽度； S233.融合分类损失与物理引导损失，构建整体优化目标函数： ； 其中，和为可调节的损失权重系数，用于平衡两项损失对模型训练的影响； S234.神经网络的最终优化目标表示为： ； S3.采用基于不确定性加权的多任务协同训练机制，优化油井工况智能诊断模型的参数，得到优化后的油井工况智能诊断模型； S4.采用多维度指标对优化后的油井工况智能诊断模型进行性能量化评估； S5.基于优化与评估后的油井工况智能诊断模型，进行油井工况实时监测与诊断，输出结果并响应异常。

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齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)，其通讯地址为：250353 山东省济南市长清区西部新城大学科技园；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。