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！

龙图腾网获悉广东工业大学申请的专利一种基于多模态深度学习的变压器异常检测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：CN119903451B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202411988638.0，技术领域涉及：G06F18/2433；该发明授权一种基于多模态深度学习的变压器异常检测方法是由苏庆;周城平;刘展宏;袁海军;谢国波;林志毅;黄剑锋;陈勇;周旭;田华川;张勇豪设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种基于多模态深度学习的变压器异常检测方法在说明书摘要公布了：本发明公开的属于变压器异常检测技术领域，具体为一种基于多模态深度学习的变压器异常检测方法，包括具体步骤如下：采集变压器多模态数据，并进行预处理，得到变压器多模态数据集D；构建一种变压器异常检测模型，将变压器多模态数据输入到变压器异常检测模型中，变压器异常检测模型用于检测变压器是处于正常状态还是异常状态；基于构建的变压器多模态数据集对变压器异常检测模型进行训练，得到训练后的变压器异常检测模型；变压器异常检测模型训练完后，应用变压器异常检测模型检测变压器是处于正常状态还是异常状态。本发明使用变压器异常检测模型，从多个维度全面感知变压器的运行状态，减少误报和漏报情况；同时避免人工巡检的失误。

本发明授权一种基于多模态深度学习的变压器异常检测方法在权利要求书中公布了：1.一种基于多模态深度学习的变压器异常检测方法，其特征在于，包括具体步骤如下： S1：采集变压器多模态数据，并进行预处理，得到变压器多模态数据集D； S2：构建一种变压器异常检测模型，将变压器多模态数据输入到变压器异常检测模型中，变压器异常检测模型用于检测变压器是处于正常状态还是异常状态； S3：基于构建的变压器多模态数据集对变压器异常检测模型进行训练，得到训练后的变压器异常检测模型； S4：变压器异常检测模型训练完后，应用变压器异常检测模型，检测变压器是处于正常状态还是异常状态； 所述S1的具体流程如下： S11：采集变压器的多模态数据； S12：对上述采集到的每一段语音数据、热成像图片和各种气体的浓度值进行预处理，分别得到梅尔频谱图x，热成像图片数据y和气体含量数据z，并构成一个三元组x,y,z S13：重复执行S11和S12，每次执行完成后能够得到一个三元组x,y,z，将所有的三元组构成一个变压器多模态数据集D； 所述S2的具体流程如下： S21：构建梅尔频谱图特征提取模块，得到梅尔频谱图特征向量K S22：构建热成像图片数据特征提取模块，得到热成像图片数据特征向量K S23：运用Transformer网络，将K、K和z进行融合，得到特征向量R； S24：运用状态判断模块，得出变压器是否为异常状态； 所述S21的具体流程如下： S211：先将三元组x,y,z中的x作为梅尔频谱特征图M，接着将M输入到第一GCSM子模块，得到梅尔频谱特征图Q11 S212：将Q11输入到第一AMA子模块中，得到梅尔频谱特征图M11； S213：将M11交错经过n-1个GCSM子模块和n-1个AMA子模块，得到变压器梅尔频谱特征图M1n； S214：将M11,M12,…,M1n沿着通道维度进行Concat操作，得到变压器梅尔频谱特征图M2；其中M2的通道数量为nC，M2的频率长度为F，M2的时间长度为T； S215：将M2输入MobileNetV1中，得到梅尔频谱图特征向量K1； 所述S211中GCSM子模块的执行流程如下： S2111：对于输入的M1，其中M1的通道数量为C，M1的频率长度为F，M1的时间长度为T，首先通过一个超参数j，对M1的通道进行分组，得到特征图序列G＝{G1,G2,…,Gj}，对于任意一个特征图Gk∈G，Gk的通道数为Gk的频率长度为F，Gk的时间长度为T； S2112：对于任意一个Gk∈G，首先进行全局通道平均池化操作，得到一个F行T列的矩阵gk，然后将gk输入到Sigmoid函数中进行激活，得到F行T列的矩阵σk，其中σk是一个动态权重参数矩阵，σk中的每个元素是基于输入梅尔频谱特征图自动生成的权重系数； S2113：对σk与Gk进行Conv1D操作，得到特征图Gk1，其中Gk1的通道数为l为通道的提升倍数，Gk1的频率长度仍为F，Gk1的时间长度为T； 其中，Gk1的计算公式如下： 其中，·表示点乘运算，Conv1D表示进行卷积操作，第一个参数为特征图，第二个参数为输出的特征图通道数； S2114：对Gk1进行Dwconv3D操作，对单个通道进行独立的空间特征提取，得到特征图Gk2，其中Gk2的通道数为Gk2的频率长度为F，Gk2的时间长度为T； S2115：对Gk2进行Conv1D操作，减少Gk2的通道数，得到特征图Gk3，其中Gk3的通道数为Gk3的频率长度为F，Gk3的时间长度为T； 其中，Gk3的计算公式如下： S2116：最后进行ChannelShuffle操作，得到梅尔频谱特征图Q11，其中Q11的通道数量为C，Q11的频率长度为F，Q11的时间长度为T； 所述S212中AMA子模块的执行过程如下： S2121：对于输入的Q11，运用第一SENet网络，对Q11的通道维度进行注意力增强，得到通道注意力增强特征图C1；运用第二SENet网络，对Q11的频率维度进行注意力增强，得到频率注意力增强特征图F1；运用第三SENet网络，对Q11的时间维度进行注意力增强，得到时间注意力增强特征图T1； S2122：将C1、F1和T1通过Concat操作，用于将C1、F1和T1沿着通道维度进行合并，从而得到梅尔频谱特征图A1，其中A1的通道数量为3C，A1的频率长度为F，A1的时间长度为T； S2123：通过一个卷积层对A1进行卷积操作，整合通道、频率和时间维度的信息，得到梅尔频谱特征图M11，M11的通道数量为C，M11的频率长度为F，M11的时间长度为T； 所述S213的具体流程如下： S2131：将M11输入到第二GCSM子模块，得到梅尔频谱特征图Q12； S2132：将Q12输入到第二AMA子模块，得到梅尔频谱特征图M12； S2133：将M12输入到第三GCSM子模块，得到梅尔频谱特征图Q13； S2134：将Q13输入到第三AMA子模块，得到梅尔频谱特征图M13；直至由第n个GCSM子模块得到梅尔频谱特征图Q1n； S2135：将Q1n输入到第n个AMA子模块，得到变压器梅尔频谱特征图M1n； 所述S215的具体流程如下： S2151：在MobileNetV1中，首先通过3x3卷积提取基本的空间特征，并减小特征图尺寸，得到特征图M21； S2152：通过深度卷积层，对M21的每个通道独立进行卷积操作，提取每个通道的空间特征，得到特征图M22； S2153：通过1x1卷积将M22的不同通道的特征进行整合，捕捉跨通道的依赖关系，以能够从M2中提取出关键的空间和通道信息； S2154：经过多层卷积操作后，通过全连接层将提取的特征聚合为一个特征向量K1，K1包含了从M2中提取的关键信息，其中提取到的关键信息包括M2的频率分布信息、能量分布、时间变化特性和空间关系； 所述S22的具体流程如下： S221：先将三元组x,y,z的y作为热成像特征图Y1，接着将Y1输入到OCA子模块中，得到热成像特征图Y2； S222：将Y2输入到第一GCSM子模块中，得到热成像特征图Y3，再将Y3输入到第二GCSM子模块，得到热成像特征图Y4，直至经过第w个GCSM子模块，得到热成像特征图Yw+2，其中Yw+2的通道数量为U，Yw+2的高度为H，Yw+2的宽度为W； S223：将Yw+2输入到MobileNetV1，得到热成像图片数据特征向量K2； 所述S221中OCA子模块的执行流程如下： S2211：对于输入的热成像特征图Y1，其中Y1的通道数量为U，Y1的高度为H，Y1的宽度为W；针对Y1的每个通道，分别执行全局最大池化和全局平均池化，提取空间维度上的全局特征，最后得到两个向量：最大池化结果ymax和平均池化结果yavg，其中ymax是一个向量，向量长度为U，yavg是一个向量，向量长度为U； S2212：对ymax进行归一化，得到一个长度为U的向量max；对ymax进行归一化，得到一个长度为U的向量avg； S2213：将max和avg输入到激活函数Tswish，得到一个长度为U的注意力向量αc： 其中，·为点乘运算；为超参数，取值区间为0,1]之间；使用Swish激活函数的好处在于，避免了在零点附近的非连续性，使得热成像图片数据可以更好的保留特征，wmax和wavg是可学习的权重参数，能够通过初始权重设wmaxwavg，赋予max更大权重，使得全局最大池化的权重在OCA子模块中的贡献更显著；让OCA子模块注意到每个通道中的最显著特征，同时又能关注到每个通道的全局统计信息； S2214：将αc与Y1进行逐元素相乘，得到热成像特征图Y2，其中Y2的通道数量为U，Y2的高度为H，Y2的宽度为W； Y2＝Y1⊙αc 其中，⊙表示逐元素相乘操作，即广播机制将αc扩展到y的维度，最终，得到经过注意力机制增强的热成像特征图Y2。

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广东工业大学，其通讯地址为：510000 广东省广州市东风东路729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。