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！

龙图腾网获悉合肥工业大学申请的专利基于故障传播路径的风电机组故障预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：CN121479621B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202610018559.X，技术领域涉及：G06F18/2433；该发明授权基于故障传播路径的风电机组故障预测方法是由朱旭辉;王阳敏;夏平凡;彭张林;倪丽萍;倪志伟设计研发完成，并于2026-01-08向国家知识产权局提交的专利申请。

本基于故障传播路径的风电机组故障预测方法在说明书摘要公布了：本发明提供一种基于故障传播路径的风电机组故障预测方法，涉及故障诊断领域。首先，综合利用多源异构数据，形成全面且结构化的特征输入体系；其次，通过结构注入和历史增强，构建同时编码结构和经验知识的知识增强图，作为图神经网络的结构先验；再次，采用图格兰杰因果分析将SCADA特征严格划分为强因果特征集和弱因果特征集，为双通道预测提供科学依据；接着，采用特征级深度融合机制，将弱因果通道的低维潜在表征嵌入到强因果通道的输入特征，实现环境背景与核心信号的内在交互；最后，利用混合风险表示，同步预测各部件的基础风险等级及预警高风险部件的故障传播路径。本发明有效预测风电机组连锁故障风险，增强预测结果的可解释性。

本发明授权基于故障传播路径的风电机组故障预测方法在权利要求书中公布了：1.一种基于故障传播路径的风电机组故障预测方法，其特征在于，包括： 获取运行监测数据、运维历史数据和结构知识数据；其中结构知识数据包括机组说明书和FMEA表，以用于预构建部件词典； 预处理运行监测数据，获取所有测点的SCADA特征序列，并结合部件词典建立测点与部件的映射关系；预处理运维历史数据，结合部件词典构建若干部件级故障标签，以获取各部件的风险标签序列；以及预处理结构知识数据，结合部件词典构建先验知识图，并通过风险标签序列将其修正为知识增强图； 以SCADA特征为自变量、风险标签为因变量，采用图格兰杰因果分析将各SCADA特征划为强因果特征集和弱因果特征集，并基于测点与部件的映射关系，在统一时间步下分别将各部件的强因果特征、弱因果特征聚合成相应的强因果时序特征、弱因果时序特征； 提取弱因果时序特征的低维潜在表征；以及提取强因果时序特征的上下文时序嵌入向量，将其与静态先验风险特征和低维潜在表征进行拼接，并通过基于知识增强图的图神经网络获取各部件的混合风险表示； 基于混合风险表示，预测各部件的基础风险等级，并对当前高风险部件的故障传播路径进行预警； 所述FMEA表包括部件字段、故障模式字段和故障影响字段；所述预处理结构知识数据，结合部件词典构建先验知识图，包括： 基于部件词典，从机组说明书中提取部件物理连接关系，获取包括标准部件节点、物理连接边的基础物理拓扑图； 基于部件词典，将部件字段统一映射为第一故障模式部件ID，结合预先归纳的故障模式规范表，将故障模式字段统一映射为故障模式ID，以及从故障影响字段中提取受影响的部件，并映射为第二故障模式部件ID； 基于第一故障模式部件ID、故障模式ID和第二故障模式部件ID，构建若干用于指示部件-故障模式-受影响部件方向的故障因果链及其风险属性；其中所述风险属性包括严重度、发生度和可探测性； 将各故障因果链上的风险属性转成边特征，以构造综合风险权重； 在基础物理拓扑图中增加故障模式部件节点、故障传播边及边特征集合，构建一个部件级的先验知识图；其中，故障模式部件节点包括第一和第二故障模式部件ID对应的部件节点，故障传播边与故障因果链相对应，边特征集合包含严重度、发生度、可探测性及综合风险权重； 通过风险标签序列将先验知识图修正为知识增强图，包括： 基于风险标签序列，统计不同部件间故障的共现频次与先后关系，对综合风险权重进行修正，以获取历史增强的边特征集合； 在先验知识图中替换历史增强的边特征集合，构建一个部件级的知识增强图。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。