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！

龙图腾网获悉烟台大学申请的专利一种基于非平稳性和上下文信息的时间序列故障检测方法及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：CN120974392B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202511516312.2，技术领域涉及：G06F18/2433；该发明授权一种基于非平稳性和上下文信息的时间序列故障检测方法及系统是由单垚;刘兆伟;杨利成;赵金东;宋永超;阎维青;姜岸佐;李恒设计研发完成，并于2025-10-23向国家知识产权局提交的专利申请。

本一种基于非平稳性和上下文信息的时间序列故障检测方法及系统在说明书摘要公布了：本发明涉及故障检测技术领域，尤其是涉及一种基于非平稳性和上下文信息的时间序列故障检测方法及系统。方法包括对获取的数据源进行数据预处理；构建时间序列故障检测COIN模型；对构建的时间序列故障检测COIN模型进行训练；利用训练好的模型进行故障检测。本发明同时考虑解决非平稳性问题和上下文异常检测问题，最终使得模型检测效果更好。

本发明授权一种基于非平稳性和上下文信息的时间序列故障检测方法及系统在权利要求书中公布了：1.一种基于非平稳性和上下文信息的时间序列故障检测方法，其特征在于，包括： 获取数据源，包括产线设备的关键监测指标和故障类型，其中，关键监测指标包括电机振动频率、反应釜温度和压力阀值，故障类型包括缓变性偏移、突发性振荡和周期性中断； 对获取的数据源进行数据预处理； 构建时间序列故障检测COIN模型； 对构建的时间序列故障检测COIN模型进行训练； 利用训练好的模型进行故障检测； 所述对获取的数据源进行数据预处理包括动态趋势性估计和动态季节性估计，其中，动态趋势性估计包括基于滑动窗口的高效趋势计算方法，整合联合训练与故障检测框架进行时间特征建模，计算训练过程中当前窗口内的动态趋势估计，同时针对指数移动平均法EMA导致的趋势累积问题，利用动态修正机制以减轻异常值对后续趋势估计的持续干扰，通过重新检验均值参数并将检测到的故障值替换为模型输出值进行改进，表示为： ， ， ， 其中表示时刻的真实的故障标签，0为正常，1为异常，表示模型输出，表示调整后子序列的经验平均值；动态季节性估计包括针对季节性变化异常，采用时间序列季节性变化计算方法，时刻处的季节性变化表示为： ， ，其中，表示子序列的经验标准差，然后采用指数移动平均法计算出每个子序列的季节项，并对输入做去季节变化处理；最后将原始时间序列硬编码为，其中5分别代表小时的分钟、日期的小时、星期几、月份的日期及年份的月份；并对输入变量进行去趋势变化处理和去季节变化处理操作； 所述构建时间序列故障检测COIN模型，包括利用COIN模型接收输入数据及其对应的时间信息，输入数据包含多维传感器数据和时间戳，为捕捉时间信息对时序建模的影响，在输入阶段引入位置嵌入模块，通过将时间信息编码为可学习的位置嵌入向量，与原始输入数据进行联合嵌入，为后续模块提供时空一致的表征；在位置嵌入模块完成预处理后，输入数据被传递至编码器模块，以生成对应的重建输出和预测输出，编码器是COIN的核心部分，包括利用混合Transformer模块在自注意力层中对时间特征和数据特征分别进行加权聚合，从而生成联合的时空表征；利用交叉Transformer模块构建双分支的交叉注意力网络，将前段特征作为查询，后段特征作为键值对进行注意力计算；利用线性层对两段特征进行加权融合和非线性变换，将独立特征转换为统一的高维表征，通过残差连接机制保留原始特征的重要信息，为模型的下游任务提供稳健输入；利用头部模块为中间时间节点生成统一的重建-预测表示，解决时序数据中重建和预测任务的潜在冲突问题，通过联合优化机制，使重建任务和预测任务相互补充，提升整体模型的性能，其中头部模块通过加权损失函数将重建误差和预测误差联合起来； 利用所述混合Transformer模块初步对变量和时间输入进行特征提取，通过调整自注意力模块的结构，加入时间信息，通过先经过混合注意力模块，其第层的数据输入为，包含个时间戳，其中；为表示每个时间戳的嵌入维度的超参数，表示嵌入的模型输入；时间输入为；表示嵌入的模型输入；第层混合注意力为： ， ， ， 其中，表示映射的查询，键和值；表示映射的查询，键和值；表示第层的参数矩阵，表示第层的参数矩阵；混合注意力模块的输出经过操作得到混合transformer模块的输出结果，实现流程为： ， ， 其中表示混合transformer的第层的隐藏特征；表示层归一化，表示前馈层，表示多头自注意力模块； 利用所述交叉transformer模块在时序子序列间建立双向上下文感知交互，合成跨序列语义一致的表征，其中，将输入交叉transformer模块，帮助前后半段时序在利用自身特征信息的同时，获得另半段提供的上下文信息，从而实现准确预测；首先将输入到第层交叉注意力模块得到，计算公式为： ， ， ， ， 其中，表示映射的后半段查询，后半段键和后半段值；表示映射的前半段查询，前半段键和前半段值；表示第层的参数矩阵，表示第层的参数矩阵；交叉注意力模块的输出经过操作得到交叉transformer模块的输出结果，实现流程为： 其中表示交叉transformer的第层的隐藏特征； 利用所述线性层对特征进行深度整合，为降低模型复杂度，对输入进行降维操作，得到线性层输出，表示为： 利用所述头部模块将时间序列划分为两个段落实现两种范式的融合：前段用于重建终端时间步的值，后段则用于预测前一步时间步的值；通过采用双任务协同损失函数，实现时间依赖性建模与全局数据分布学习的协同优化；既能通过整合重建与预测输出的误差阈值检测点异常，又能借助跨段依赖性分析识别上下文异常；头部的输入包括编码器的输出、、和，其输出和计算表示为： ， ， 其中和均表示拼接加前馈操作；由于训练中端到端的需求，损失函数定义为两个优化目标的和: ， ， 其中，为时刻的真实值，表示范数。

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烟台大学，其通讯地址为：264003 山东省烟台市莱山区清泉路30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。