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！

龙图腾网获悉三峡大学申请的专利考虑多机组运行状态相似性的风电机组齿轮箱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：CN116226679B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202211564618.1，技术领域涉及：G06F18/22；该发明授权考虑多机组运行状态相似性的风电机组齿轮箱异常检测方法是由曾祥军设计研发完成，并于2022-12-07向国家知识产权局提交的专利申请。

本考虑多机组运行状态相似性的风电机组齿轮箱异常检测方法在说明书摘要公布了：考虑多机组运行状态相似性的风电机组齿轮箱异常检测方法，基于分段线性化的时间序列相似性评估方法，对单一状态变量进行评估；考虑多个状态变量相似性的风电机组运行状态时空相似性量化方法，评估各风电机组与待检测机组运行状态的相似性；构建状态估计LSTM模型，训练不同LSTM模型；对不同的LSTM模型性能进行准确性和适应性验证；选择性能验证均表现较好的若干个LSTM模型，通过加权组合的形式，构建组合状态估计模型CPEM；对待检测机组的目标变量进行估计，并计算估计值与真实值的残差，基于残差有效值比较和残差信息熵比较，进行异常辨识。该方法基于风机的历史运行数据对齿轮箱的运行状态进行检测，无需运维人员现场进行检测，降低风电机组的运行维护费。

本发明授权考虑多机组运行状态相似性的风电机组齿轮箱异常检测方法在权利要求书中公布了：1.考虑多机组运行状态相似性的风电机组齿轮箱异常检测方法，其特征在于包括以下步骤： 步骤1：基于分段线性化的时间序列相似性评估方法，对单一状态变量进行评估； 步骤2：考虑多个状态变量相似性的风电机组运行状态时空相似性量化方法，逐个评估同一风电场内各风电机组与待检测机组运行状态的相似性，选择运行状态与待检测机组相似性较强的多台机组的数据； 步骤3：对步骤2中待检测机组的历史数据和被选择的待检测机组的历史数据进行预处理，并按时段划分为：训练数据、测试数据、检测数据； 步骤4：构建状态估计LSTM模型，利用所选择相似机组的训练数据和待检测机组的训练数据，训练多个不同的状态估计LSTM模型； 步骤5：设置综合评估指标，并利用测试数据对不同的状态估计LSTM模型性能进行准确性和适应性验证； 步骤6：选择步骤5中性能验证均表现较好的若干个状态估计LSTM模型，通过加权组合的形式，构建组合状态估计模型； 步骤7：基于步骤6中组合状态估计模型，对待检测机组的目标变量进行估计，并计算估计值与真实值的残差，基于残差有效值比较和残差信息熵比较，进行异常辨识； 所述步骤1包括以下步骤： S1.1:设有两台风电机组的状态变量时间序列曲线分别为L1和L2，它们均包含了L个采样点； S1.2:采用线性化分割的方法将长时间序列分割为不同的短时间序列，经过线性化分割之后的状态变量时间序列L1、L2能够近似用h段和k段折线表示，h2，k2；其中的分断点取为两条曲线上数值的突变点；分割之后的折线有且仅有上升、下降和保持不变三种变化趋势，用1，-1和0分别代表这三种变化趋势，则状态变量时间序列曲线能够近似的用数据集S1和S2表示： 1； 式1中，t表示各分割点对应的时刻；m表示分割的折线变化趋势，其取值集合为｛1，-1,0｝；为各折线的末端归一化值与首端归一化值的差，它反映了折线的幅值变化，上标s1和s2用于区分不同的折线，下标k和h则分别标识第k段和第h段折线段； 集合中的元素和分别表示曲线L1的第h段线性化折线和曲线L2的第k段线性化折线；它们的线性化分割点对应的时间构成的集合分别记作和；其中:表示时间序列折线L1在第h个分段点对应的时刻，表示时间序列折线L2在第k个分段点对应的时刻； S1.3:在S1.2的第一次线性化分割的基础上进行第二次线性化分割，以保证曲线L1和L2的线性化分割点完全相同；第二次的分割点集合T是通过对和的求并集后按各分割点的时间先后顺序排列得到，其表达式为： 2； 式2中：sort为数值的从小到大排序计算；符号表示对集合求并集，l表示经过第二次分割后每条曲线包含的分割点数，h和k分别表示第一次线性化分割后曲线L1和L2包含的分割点数，表示第l个分割点对应的时刻；； 经过第二次线性化分割后原始时间序列曲线的L1和L2的线性化分割集合和表示为： 3； 式3中：分别表示不同分割点对应的时刻； 表示曲线L1在经过第二次线性化分割后由和两点确定线段的变换趋势为，幅值趋势为； 表示曲线L2在经过第二次线性化分割后由和两点确定线段的变换趋势为，幅值趋势为； 此时，状态变量时间序列曲线被分成了数量相等的、且分割点完全一致的多条折线段； S1.4:根据式4对状态变量的相似程度进行计算： 4； 式4中：的取值范围为[0,1]，其值越大表示两个状态变量的相似程度越大； L表示总的线性分段数量，i为迭代计数标识，mis1表示曲线L1线性化分割后第i个线段的变化趋势，mis2表示曲线L2线性化分割后第i个线段的变化趋势,△yis1表示曲线L1线性化分割后第i个线段的变化幅值，△yis2表示曲线L2线性化分割后第i个线段的变化幅值；mis1-mis2则表示线性化分割后对应线段的趋势距离；△yis1-△yis2则表示线性化分割后对应线段的幅值距离； 所述步骤2包括以下步骤： S2.1:选取能综合反映风电机组宏观状态和微观状态相似性的多个状态变量，根据式5计算各状态变量的相似性； 5； 式5中：Sa是阴影部分的面积，为第i个状态变量的相似性，S0是正多边形的面积，n是所选择的状态变量个数,为第1个状态变量的相似性,第i+1个状态变量的相似性,为第n+1个状态变量的相似性；为相似性量化值； S2.2:基于雷达图面积比较法的方式，对风电机组运行状态的时空相似性进行量化； S2.2.1:首先，构建一个与S2.1所选取的状态变量个数相同的正多边形的雷达图，定义所述雷达图的每一条轴线代表一个状态变量，轴线的基准长设置1； S2.2.2:其次，在从正多边形的雷达图的中心位置为出发点，沿着轴线向外绘制箭头，箭头的长度则代表了两台风电机组对应的状态变量的相似程度； S2.2.3:最后，将所有箭头端点依次联接构成一个封闭图形，即雷达图阴影部分，该封闭图形的面积占雷达图面积的比例，代表了两台风电机组运行状态的时空相似性； 所述步骤5中，状态估计LSTM模型的性能评估标准通过一个综合评估指标β来衡量，其计算公式为： 7； 式7中：和分别为验证数据集中目标变量的第i个真实值和估计值；N为验证数据集中样本总数；为验证数据集目标变量的均值；和分别表示残差的均方根和绝对平均值，它们的值越小说明模型个估计越准确；R2为决策系数，它反映了模型对数据的拟合优度，它的值范围为[0,1]，其值越大说明模型的对数据的可解释性越强；根据式7可知综合得分指标β与上述的、和R2三个指标密切相关，它的值越大表明模型的综合性能越好。

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三峡大学，其通讯地址为：443002 湖北省宜昌市西陵区大学路8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。