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！

龙图腾网获悉徐州驷马科技有限公司申请的专利一种基于机器学习的工程机械故障预测与预防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：CN120995100B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202511527564.5，技术领域涉及：G06F18/2137；该发明授权一种基于机器学习的工程机械故障预测与预防方法是由赵威;姜远超;卓厚宾设计研发完成，并于2025-10-24向国家知识产权局提交的专利申请。

本一种基于机器学习的工程机械故障预测与预防方法在说明书摘要公布了：本发明公开了一种基于机器学习的工程机械故障预测与预防方法，包括：采集设备的多源运行数据，构建结构化多维时间序列；基于设备部件的连接关系、控制通路与能量传输路径构建异构图结构；采用改进的扩张时间卷积网络提取节点时间序列动态特征，并通过通道注意力机制加权生成节点嵌入表示；将嵌入表示输入边注意力增强型异构图神经网络，融合边类型与时间偏置信息计算故障风险评分；结合历史故障案例构建检索索引机制，根据相似度匹配生成候选集合，输出结构化预防建议。本发明能够在复杂结构工况下实现更高准确率的故障风险预测，显著提升预警响应速度与处理建议生成效率，有效增强工程机械系统的运行可靠性与维护智能化水平。

本发明授权一种基于机器学习的工程机械故障预测与预防方法在权利要求书中公布了：1.一种基于机器学习的工程机械故障预测与预防方法，其特征在于，包括如下步骤： S1、采集工程机械设备的多源运行数据，生成结构化多维时间序列数据； S2、基于结构化多维时间序列数据和设备的部件连接关系、控制信号通路与能量传输路径，构建异构图； S3、对异构图中各节点附带的时间序列信息，采用改进的扩张时间卷积网络提取动态特征，并通过通道注意力机制进行特征通道加权，输出节点的时间序列嵌入表示； S4、将节点的时间序列嵌入表示输入至边注意力增强型异构图神经网络中，引入节点的时间序列嵌入表示与边类型嵌入，融合邻居信息时使用时间偏置门控聚合方式，输出各关键节点的故障风险评分； S5、对已有故障事件进行结构化编码，构建历史案例库和检索向量与匹配索引机制，根据故障风险评分，将故障风险特征与历史案例库中的案例特征进行相似匹配，生成候选集合； S6、将历史案例计算与当前故障风险特征的匹配得分与效果得分的加权平均，选取前三条得分最高的处理策略，生成结构化的预防建议； 所述改进的扩张时间卷积网络具体包括： 在每个节点对应的结构化多维时间序列输入中，根据传感器采样时间戳计算相邻两个时间点之间的时间间隔序列，统计每一通道的时间间隔的最大值、最小值、平均值与标准差，得到通道的采样稳定性指标，对每一通道的数值序列计算相邻两点之间的变化值，统计变化值序列的平均增减幅度与变化速率标准差，形成反映通道动态波动强度与频率特征的参数集合，将所有通道的时间间隔统计量与变化速率统计量按照通道编号顺序排列，按通道为行、特征为列构建一个时间特征矩阵； 每一卷积层中，预设多个不同数值的膨胀因子，分别表示短期、中期和长期的感受野长度范围，然后对同一个通道维度的时间序列输入，分别使用膨胀因子执行三组一维扩张卷积操作，其中每组卷积通过在卷积核内插入等间隔的空洞实现不同的感受野跨度，在保持卷积核参数数量不变的前提下扩展时间感知范围，所有卷积操作并行完成，输出多组对应于不同感受野尺度的特征表示，构造感受野注意力向量； 读取感受野注意力向量中每个尺度对应的权重系数和时间特征矩阵，将前一层中所有膨胀因子不同的卷积输出在同一时间步上进行通道级对齐，将各尺度对应位置的输出乘以对应权重后逐元素相加，按通道方向汇总融合结果，生成当前层的动态加权输出； 在每一卷积层输入前，对输入张量的所有通道分别计算当前时间片上的均值、最大值、标准差和相邻时刻差值的符号趋势变化，组合生成通道级统计特征向量，输入一个包含两层全连接结构的权重计算网络，第一层执行线性变换和ReLU激活，第二层输出一个标量作为通道的注意力得分，对所有通道得分执行Softmax归一化，生成通道注意力权重向量； 将通道注意力权重向量中每一维权重，分别乘以对应通道中间特征张量中所有像素点的数值，执行逐通道的数值缩放操作，通道注意力权重向量的所有维度计算均值，低于均值的通道视为权重较低通道，并将对应中间特征张量整体乘以小于1的缩放因子，高于均值的通道视为权重较高通道，中间特征张量保持原有数值以保留响应幅度，最终生成通道加权后的输入张量； 重复执行动态膨胀因子选择与通道加权操作，逐层提取包含短期变化特征与长期依赖结构的嵌入向量，完成多尺度动态建模，输出维度一致的节点时间序列嵌入表示； 所述边注意力增强型异构图神经网络具体包括： 对当前节点的每条邻接边，将当前节点的时间序列嵌入表示、邻居节点的时间序列嵌入表示与边的边类型嵌入向量依次拼接为单条边的三元组特征向量，作为边的注意力输入样本，汇总构成当前节点全部邻接边的注意力输入批次； 将每条边的三元组特征输入向量输入边注意力得分计算网络，使用一层仿射变换后接LeakyReLU激活函数产生中间得分向量，通过投影层输出原始注意力分数，对当前节点所有邻接边的得分执行Softmax归一化，生成边注意力权重； 对当前节点的所有邻接边，将每个邻居节点的时间序列嵌入表示分别乘以对应边注意力权重系数，执行加权操作并求和，生成当前节点的邻居特征聚合向量； 截取当前节点对应的原始时间序列中最新的若干时间片段，统计值的变化趋势与均值波动特征，编码为一个固定长度的时间状态向量，作为当前节点的局部时间上下文表示； 将当前节点融合后的邻居嵌入向量与其时间状态向量分别输入两组全连接层，分别生成维度一致的表示后，执行向量加法叠加，结果送入Sigmoid激活函数得到门控系数向量，将门控系数向量与邻居嵌入向量逐元素相乘，抑制与放大各特征维度，输出经门控调节的节点更新表示，并作为当前节点当前层的状态； 重复执行消息传递与更新流程，逐层推进所有节点的状态演化，最终在边注意力增强型异构图神经网络的最后一层输出阶段，输入全连接回归层，执行加权求和与偏置叠加，输出每个关键节点的最终故障风险评分。

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徐州驷马科技有限公司，其通讯地址为：221300 江苏省徐州市邳州市碾庄镇五金机械产业园开明路3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。