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！

龙图腾网恭喜三峡智能工程有限公司申请的专利基于振动信号的抽水蓄能机组故障诊断方法、系统及介质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：CN119226956B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202411745573.7，技术领域涉及：G06F18/2431；该发明授权基于振动信号的抽水蓄能机组故障诊断方法、系统及介质是由邓晓琴;李进;汪逸哲;张航;骈齐翔;吴思维;夏梦;杨刚;张海涛;谭业贵;王峰;张纯康;林凡伟;朱斌设计研发完成，并于2024-12-02向国家知识产权局提交的专利申请。

本基于振动信号的抽水蓄能机组故障诊断方法、系统及介质在说明书摘要公布了：本发明提供基于振动信号的抽水蓄能机组故障诊断方法、系统及介质，通过收集抽水蓄能机组的正常振动信号和已知故障振动信号，并进行处理得到正常振动信号的融合特征向量样本和已知故障振动信号的融合特征向量样本；基于变分自编码器，依据融合特征向量样本，构建状态单分类器和故障分类单元；基于鲸鱼优化算法优化支持向量机，依据已知故障振动信号的融合特征向量样本，构建对抽水蓄能机组已知故障的类型进行诊断的已知故障类型诊断模型；最后针对实时采集的抽水蓄能机组的振动信号，通过状态单分类器、故障分类单元、已知故障类型诊断模型对抽水蓄能机组的故障进行诊断，大大提升了诊断的及时性和有效性。

本发明授权基于振动信号的抽水蓄能机组故障诊断方法、系统及介质在权利要求书中公布了：1.基于振动信号的抽水蓄能机组故障诊断方法，其特征在于，包括：收集抽水蓄能机组的正常振动信号和抽水蓄能机组已知故障振动信号；基于幅值域分析方法、傅里叶变换理论和一维卷积神经网络，构建振动信号多维融合特征向量提取模型；通过振动信号多维融合特征向量提取模型，对抽水蓄能机组正常振动信号和抽水蓄能机组已知故障振动信号进行处理，提取得到抽水蓄能机组正常振动信号的融合特征向量样本和抽水蓄能机组已知故障振动信号的融合特征向量样本；依据抽水蓄能机组正常振动信号的融合特征向量样本，基于变分自编码器，构建用于识别抽水蓄能机组正常状态和异常状态的状态单分类器；依据抽水蓄能机组已知故障振动信号的融合特征向量样本，基于变分自编码器，构建用于识别抽水蓄能机组已知故障和未知故障的故障分类单元；依据抽水蓄能机组已知故障振动信号的融合特征向量样本，基于鲸鱼优化算法优化支持向量机，构建对抽水蓄能机组已知故障类型进行诊断的已知故障类型诊断模型；在抽水蓄能机组运行时，实时采集抽水蓄能机组的振动信号，通过振动信号多维融合特征向量提取模型，提取得到抽水蓄能机组振动信号的融合特征向量样本；将抽水蓄能机组振动信号的融合特征向量样本输入至状态单分类器中，对抽水蓄能机组的正常状态和异常状态进行识别；当识别出抽水蓄能机组为异常状态时，将抽水蓄能机组振动信号的融合特征向量样本输入至故障分类单元中，对抽水蓄能机组是处于已知故障还是未知故障进行识别；当识别出抽水蓄能机组处于已知故障时，将抽水蓄能机组振动信号的融合特征向量样本输入至已知故障类型诊断模型中，对抽水蓄能机组的已知故障类型进行诊断，当识别出抽水蓄能机组处于未知故障时，输出未知故障标签，结合包括专家经验和频谱分析在内的方法对未知故障类型进行诊断；所述状态单分类器的构建方法包括：依据抽水蓄能机组正常振动信号的融合特征向量样本，构建用于识别抽水蓄能机组正常状态和异常状态的变分自编码器模型，作为状态单分类器；所述故障分类单元的构建方法包括：依据抽水蓄能机组正常振动信号的融合特征向量样本，构建用于识别抽水蓄能机组正常状态和异常状态的变分自编码器模型，作为故障分类单元；所述变分自编码器模型中，假设一个给定的D维样本时间序列数据集对于每一个样本x，变分自编码器的编码过程将复杂数据映射到隐变量空间，表达式如下： 式中，为编码器的分布函数，z为潜在特征，x为输入数据；解码过程是对隐变量空间数据恢复至原始数据空间，通过学习数据的潜在特征μ和σ并生成新数据样本，解码表达式如下：x'～Decz＝pθx|z8，式中，θ为解码器的分布函数；x'为重构数据；变分自编码器引入一个概率分布来代替真实的后验分布pθz|x，然后从中采样来近似从后验分布pθz|x采样，为了使和pθz|x尽可能相等，使用KL散度来评价不同分布之间的相似性，当且仅当KL散度为0时，表示和pθz|x完全相等，并通过优化参数与θ使KL散度最小化，表达式如下： 令则： 式中，被称为变分下界,最小化通过最大化实现；假设从取S个样本，变分下界进一步表示为: 式中，z'是第l个采样样本；pθz为标准正态分布；采用重参数化来简化运算，从标准正态N0，1中取得一个辅助变量ε，然后利用μ、σ计算得到，表达式如下： 当batchsize足够大的时候，取S＝1，即每次只采样一个样本数据，式11表示为： 式中，第一项是近似后验分布与先验分布pθz的KL散度；第二项为变分自编码器的重构损失项；变分自编码器训练过程旨在最大化相当于同时最小化KL散度和重构损失，所以即为逼近标准正态的正则化项；通过上述操作，变分自编码将输入的抽水蓄能机组正常振动信号融合特征数据通过编码器映射为一个理想的高斯分布，再将高斯分布采样的样本输入进解码器，由解码器生成重构数据，通过比较输入数据与重构数据的差异构建故障征兆指标，当故障征兆指标超出阈值，则判断抽水蓄能机组处于异常状态，否则处于正常状态；通过上述操作，变分自编码将输入的已知故障振动信号融合特征数据通过编码器映射为一个理想的高斯分布，再将高斯分布采样的样本输入进解码器，由解码器生成重构数据，通过比较输入数据与重构数据的差异构建故障分类指标，当故障分类指标超出阈值，则判断抽水蓄能机组是处于未知故障，否则处于该类已知故障；针对抽水蓄能机组各已知故障类型，以其多维振动信号融合特征作为输入独立训练变分自编码器模型，进而构建由多个变分自编码器组成的抽水蓄能机组已知故障和未知故障的故障分类单元，每个变分自编码器专注于判断机组是否发生对应已知类型故障，通过各变分自编码器模型的协同工作，实现故障分类单元对抽水蓄能机组已知故障和未知故障的实时诊断。

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三峡智能工程有限公司，其通讯地址为：430074 湖北省武汉市东湖新技术开发区九峰街道高新大道789号全球公共采购交易服务总部基地办公部分二期4号楼9层1室(自贸区武汉片区)；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”。