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基于多模态深度学习的电力设备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：CN120508980B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202510616105.8，技术领域涉及：G06F18/25；该发明授权基于多模态深度学习的电力设备异常检测方法是由谢国波;温诗恒;周城平;连凯;周宇;苏庆;林志毅;黄剑锋;肖峰;王泽玮;黄小兵;刘岩;罗楷聪;何炯星设计研发完成，并于2025-05-14向国家知识产权局提交的专利申请。

本基于多模态深度学习的电力设备异常检测方法在说明书摘要公布了：本发明公开的属于电力设备异常检测技术领域，具体为基于多模态深度学习的电力设备异常检测方法，包括具体步骤如下：S1：构建一个涵盖电力设备音频数据、振动信号和图像的原始电力设备多模态数据集；S2：对原始电力设备多模态数据集进行预处理，得到预处理后的电力设备多模态数据集；S3：构建基于多模态深度学习的电力设备异常检测模型；S4：对预处理后的电力设备多模态数据集进行划分，然后训练并验证电力设备异常检测模型；S5：应用经过训练完成后的电力设备异常检测模型对电力设备进行检测。本发明通过结合音频数据、振动信号和电力设备图像的多样特征，能够全面捕捉多样的电力设备异常表现，适应电力设备在不同运行状态下的异常检测。

本发明授权基于多模态深度学习的电力设备异常检测方法在权利要求书中公布了：1.基于多模态深度学习的电力设备异常检测方法，其特征在于，包括具体步骤如下： S1：构建一个涵盖电力设备音频数据、振动信号和图像的原始电力设备多模态数据集； S2：对原始电力设备多模态数据集进行预处理，得到预处理后的电力设备多模态数据集； S3：构建基于多模态深度学习的电力设备异常检测模型； S4：对预处理后的电力设备多模态数据集进行划分，然后训练并验证电力设备异常检测模型； S5：应用经过训练完成后的电力设备异常检测模型对电力设备进行检测； 所述S3的具体步骤如下： S31，基于电力设备音频数据的异常检测：首先，将S2的二维声音子数据集中的梅尔频谱图，通过MSFE-Net提取音频数据的频域特征；并且将S2的一维声音子数据集中的归一化后的音频数据，通过BiLSTM提取音频数据的时域特征；随后在特征层将两者结果进行时频协同特征融合，得到电力设备音频数据音频特征图；然后通过MLP分类器对电力设备音频数据音频特征图进行分类；最后，将分类结果通过Softmax激活函数转换为音频预测有故障概率和音频预测无故障概率； S32，基于电力设备振动信号的异常检测：首先，将S2的二维振动子数据集中的格拉姆角场图，通过GAFE-Net提取振动信号的空间特征；并且将S2的一维振动子数据集中的归一化后的振动信号，通过BiGRU提取振动信号的时序特征；随后，在特征层将两者结果进行时序联合特征融合，得到电力设备振动信号振动特征图；然后，通过MLP分类器对电力设备振动信号振动特征图进行分类；最后，将分类结果通过Softmax激活函数转换为振动预测有故障概率和振动预测无故障概率； S33，基于电力设备图像的异常检测：对于图像文件中的电力设备图像，采用ADEI-Net对电力设备图像进行目标检测，提取设备的视觉特征，并判断图像的异常情况，输出图像预测有故障概率和图像预测无故障概率； S34，判断电力设备是否存在故障：结合各模态的预测概率，然后通过多模态加权融合算法进行决策级融合，得到总体预测有故障概率和总体预测无故障概率；并根据概率值判断电力设备是否存在故障；若总体预测有故障概率大于总体预测无故障概率，则输出设备有故障；反之则输出设备无故障。

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。