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！

龙图腾网获悉北京安普利信息技术有限公司申请的专利基于深度学习的设备日志故障趋势预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：CN120316621B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202510789850.2，技术领域涉及：G06F18/2415；该发明授权基于深度学习的设备日志故障趋势预测方法及系统是由都书一;赵定峰;李弼;陈燕林设计研发完成，并于2025-06-13向国家知识产权局提交的专利申请。

本基于深度学习的设备日志故障趋势预测方法及系统在说明书摘要公布了：本发明提供基于深度学习的设备日志故障趋势预测方法及系统，涉及故障预测技术领域，包括通过获取设备运行历史数据建立设备、故障和维护实体节点及其关联边，利用图神经网络对节点属性信息和边的时序属性信息进行信息传播和聚合得到节点表示向量，采用滑动时间窗口进行时序切分获取节点动态特征，计算时序自相关系数识别故障规律和演变模式，构建故障预测模型输出预测结果。该方法融合了图结构和时序信息，提高了故障预测的准确性，可为设备维护决策提供有效指导。

本发明授权基于深度学习的设备日志故障趋势预测方法及系统在权利要求书中公布了：1.基于深度学习的设备日志故障趋势预测方法，其特征在于，包括： 获取设备运行历史数据，根据所述设备运行历史数据建立设备实体节点、故障实体节点和维护实体节点，在所述设备实体节点与所述故障实体节点之间建立故障关联边，在所述设备实体节点与所述维护实体节点之间建立维护关联边，所述故障关联边和所述维护关联边均包含时序属性信息； 将所述设备实体节点、所述故障实体节点、所述维护实体节点的节点属性信息以及所述故障关联边和所述维护关联边的时序属性信息输入图神经网络进行信息传播和聚合，得到融合节点间拓扑结构和时序关系的节点表示向量； 利用滑动时间窗口对所述节点表示向量进行时序切分，获取不同时间窗口下的节点动态特征，计算所述节点动态特征中的设备状态变化信息和故障演变过程信息的时序自相关系数，基于所述时序自相关系数识别故障发生规律和故障演变模式，其中，根据故障类型划分结果构建状态转移概率矩阵，基于所述状态转移概率矩阵计算故障演变路径；对所述故障演变路径进行概率推断，计算每条演变路径的置信度，根据所述置信度确定最优故障演变路径，实现故障演变模式的识别，具体包括： 基于所述故障类型划分结果建立故障状态转移矩阵，根据所述故障状态转移矩阵中的转移次数，计算每对故障状态之间的转移频率，将所述转移频率与所述转移次数进行归一化处理得到初始状态转移概率矩阵； 基于所述初始状态转移概率矩阵计算当前时刻故障状态与前n个时刻故障状态的联合分布概率，根据所述联合分布概率和边缘分布概率得到条件转移概率矩阵； 引入时间衰减机制，构建基于时间差的指数衰减函数，利用所述指数衰减函数计算不同时刻的状态转移权重，将所述状态转移权重与所述条件转移概率矩阵进行加权组合，得到考虑时效性的动态转移概率矩阵； 基于所述动态转移概率矩阵计算连续状态转移的概率乘积得到每条故障路径的生成概率；对每条所述故障路径计算信息熵，所述信息熵通过各状态转移概率的对数期望得到，基于所述信息熵构建路径置信度评估函数，将所述路径置信度评估函数作为路径可靠性的度量指标； 将所述生成概率、所述路径置信度和所述度量指标进行多目标组合优化，构建综合评分函数，根据所述综合评分函数为每条所述故障路径赋予评分，选择评分最高的路径作为最优故障演变路径； 根据所述故障发生规律和所述故障演变模式构建故障预测模型，将所述节点动态特征输入所述故障预测模型，输出故障预测概率和预测时间；根据所述故障预测概率、所述预测时间以及所述故障演变模式生成设备维护预测报告。

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安普利信息技术有限公司，其通讯地址为：100085 北京市海淀区地三街9号金隅嘉华大厦F座201；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。