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！

龙图腾网获悉广东海洋大学申请的专利一种数字孪生驱动的深远海风机平台预测运维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：CN120598546B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202511099734.4，技术领域涉及：G06Q10/20；该发明授权一种数字孪生驱动的深远海风机平台预测运维方法及系统是由李逸;刘畅;卢庆杰;冯凯龙设计研发完成，并于2025-08-07向国家知识产权局提交的专利申请。

本一种数字孪生驱动的深远海风机平台预测运维方法及系统在说明书摘要公布了：本发明公开了一种数字孪生驱动的深远海风机平台预测运维方法及系统，其中方法包括基于传感器网络获取深远海目标风机平台的实时多源异构数据；构建多物理场集成的目标风机平台的数字孪生体，将实时多源异构数据输入数字孪生体进行仿真处理，得到目标风机平台的故障概率分布；执行与故障概率分布对应的运维策略。本发明实施例提供的深远海风机平台预测运维方法，提高了深远海风机平台预测运维的效率。

本发明授权一种数字孪生驱动的深远海风机平台预测运维方法及系统在权利要求书中公布了：1.一种数字孪生驱动的深远海风机平台预测运维方法，其特征在于，包括以下步骤： 基于传感器网络获取深远海目标风机平台的实时多源异构数据； 构建多物理场集成的所述目标风机平台的数字孪生体； 将所述实时多源异构数据输入所述数字孪生体进行仿真处理，得到所述目标风机平台的故障概率分布； 执行与所述故障概率分布对应的运维策略； 其中所述数字孪生体的构建过程包括： 对获取到的目标风机平台的历史多源异构数据依次进行时空校准、多模态特征提取与加权融合处理，得到融合特征向量； 根据所述融合特征向量构建所述目标风机平台的双重图结构，并根据跨图注意力机制对所述双重图结构进行时空卷积处理，得到时空特征矩阵；其中所述双重图结构包括物理拓扑图和数据关联图； 基于联邦学习框架对所述时空特征矩阵进行分布式训练，得到数字孪生模型参数； 对所述数字孪生模型参数进行多物理场集成处理，得到所述目标风机平台的数字孪生体，其中所述多物理场集成处理被设计为基于模型降阶技术和增量学习机制加速所述数字孪生体的构建； 所述根据所述融合特征向量构建所述目标风机平台的双重图结构，包括： 基于图嵌入算法对所述融合特征向量进行节点表示学习，得到物理组件与传感器数据的低维向量表示； 根据所述低维向量表示构建所述物理拓扑图，其中所述物理拓扑图的节点为风机组件的低维向量表示，边为基于机械连接关系的空间关联矩阵； 基于格兰杰因果检验与信息熵理论计算传感器数据间的动态因果强度，得到数据关联矩阵； 根据所述数据关联矩阵构建所述数据关联图，其中所述数据关联图的节点为传感器数据的低维向量表示，边为基于所述动态因果强度的时间关联矩阵； 基于所述空间关联矩阵与时间关联矩阵构建所述双重图结构的邻接张量，得到融合物理结构与数据依赖关系的双重图结构； 所述对所述数字孪生模型参数进行多物理场集成处理，包括： 基于计算流体动力学方法构建所述目标风机平台的空气动力学模型，得到流体载荷分布数据； 根据有限元分析方法构建所述目标风机平台的结构力学模型，得到应力应变分布数据； 基于电气系统建模方法构建所述目标风机平台的电力传输模型，得到电气参数分布数据； 根据多物理场耦合算法对所述流体载荷分布数据、应力应变分布数据与电气参数分布数据进行数据融合，得到多物理场耦合模型； 基于所述数字孪生模型参数对所述多物理场耦合模型进行参数校准，得到所述数字孪生体； 所述将所述实时多源异构数据输入所述数字孪生体进行仿真处理，得到所述目标风机平台的故障概率分布，包括： 基于边缘计算技术对所述实时多源异构数据进行预处理，得到标准化实时数据； 根据卡尔曼滤波算法对所述标准化实时数据进行状态估计，得到实时状态向量； 基于所述实时状态向量驱动所述数字孪生体进行实时仿真，得到预测状态向量； 根据贝叶斯推理算法对所述预测状态向量进行不确定性量化，得到所述故障概率分布。

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海洋大学，其通讯地址为：524088 广东省湛江市麻章区海大路1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。