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！

龙图腾网获悉北京华控智加科技有限公司申请的专利基于深度学习和图神经网络的水轮机导叶故障自诊断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：CN118517367B 。

龙图腾网通过国家知识产权局官网在2025-06-10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：202410590787.5，技术领域涉及：F03B15/00；该发明授权基于深度学习和图神经网络的水轮机导叶故障自诊断方法是由曹宏;刘加;刘德广设计研发完成，并于2024-05-13向国家知识产权局提交的专利申请。

本基于深度学习和图神经网络的水轮机导叶故障自诊断方法在说明书摘要公布了：本发明公开了一种基于深度学习和图神经网络的水轮机导叶故障自诊断方法，包括S1、构建多传感器数据集；S2、利用深度学习算法识别多传感器数据集中的关键模式和特征；S3、构建图神经网络模型；S4、将步骤S2中提取的特征输入到步骤S3中构建的图神经网络模型中，分析水轮机导叶的整体运行状态；S5、根据图神经网络模型输出，实时监测并分析水轮机导叶的性能指标；S6、应用预训练的故障诊断模型，对步骤S5中识别的异常信号进行解释，诊断潜在的故障原因和故障类型；S7、根据步骤S6的诊断结果，自动生成故障预警。本发明通过深度学习和图神经网络技术，能够实时处理和分析来自多个传感器的大量数据，确保导叶的运行状况被实时且准确地监控。

本发明授权基于深度学习和图神经网络的水轮机导叶故障自诊断方法在权利要求书中公布了：1.一种基于深度学习和图神经网络的水轮机导叶故障自诊断方法，其特征在于，包括以下步骤：S1、收集水轮机导叶运行过程中产生的振动数据、压力指标、涡流信号数据、声发射信号数据、电磁场变化数据和3D激光扫描数据，并构建多传感器数据集；S2、利用深度学习算法对收集的多传感器数据集进行特征提取，识别多传感器数据集中的关键模式和特征；S3、构建图神经网络模型，将各传感器视为图中的节点，根据传感器之间的物理位置和功能联系以及数据类型的相关性定义节点间的边；S4、将步骤S2中提取的特征输入到步骤S3中构建的图神经网络模型中，通过图神经网络模型处理数据间的复杂依赖关系和相互作用，分析水轮机导叶的整体运行状态；S5、根据图神经网络模型输出，实时监测并分析水轮机导叶的性能指标，识别偏离正常运行状态的信号，包括结构完整性、磨损程度和潜在的裂纹发展；S6、应用预训练的故障诊断模型，对步骤S5中识别的异常信号进行解释，诊断潜在的故障原因和故障类型，包括结构损伤、表面磨损或机械故障；S7、根据步骤S6的诊断结果，自动生成故障预警，并向运维人员发出通知；所述S2具体包括步骤S25：S25、将所有传感器的特征向量FSi整合成一个综合特征向量F，用于输入到图神经网络模型中进行故障模式的识别和分析： 其中，Concat表示沿特定维度连接不同传感器特征向量的操作，特征向量包括从各传感器数据提取的关键模式和特征；所述S4包括以下步骤：S41、将步骤S25得到的综合特征向量F作为输入，加载到图神经网络模型中；S42、在图神经网络中，每个节点ni接收其对应传感器的特征向量S43、应用图神经网络的前向传播算法，使用节点的特征向量和边的权重wij进行信息的聚合与更新，并且引入改进型引入注意力机制融合来自不同传感器的信息，每个节点的状态更新公式为： 其中，Concat表示将所有注意力头的输出连接起来，WO是输出层的权重矩阵，用于将多头注意力的输出转换到适合后续处理的维度，headm是第m个注意力头的输出，定义为： 是第m个头在节点i和j之间的注意力权重，计算方式如下： S44、重复步骤S43直至网络收敛，使得每个节点的状态反映当前节点与其他节点的相互作用以及传感器数据的综合分析结果；所述S5包括以下步骤：S51、从图神经网络模型接收每个节点最终的状态输出其中每个状态反映了相应传感器在特定位置对应的导叶性能特征；S52、对每个节点的状态进行评估，确定与结构完整性、磨损程度和潜在裂纹发展相关的性能指标，计算以下性能指标PISi： 其中，softmax函数用于将节点状态的线性组合转换为概率分布，表征各种故障类型的概率；S53、根据性能指标实时监测水轮机导叶的关键性能参数，并通过设置预定义的阈值θ识别偏离正常运行状态的信号：alert＝{Si|PISiθ}；如果某一传感器Si的性能指标超过阈值θ，则生成预警信号alert，指示存在潜在的结构完整性问题、过度磨损或裂纹发展。

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北京华控智加科技有限公司，其通讯地址为：100083 北京市海淀区王庄路1号院清华同方；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”。