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！

龙图腾网获悉四川职业技术学院申请的专利基于人工智能的电力设备故障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：CN121498863B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202610044034.3，技术领域涉及：G01H17/00；该发明授权基于人工智能的电力设备故障诊断方法是由李建宏;杨开明;罗强;谌飞雨;王婷;梁彦;舒文娟;张翰一;赵国华;朱丽鹏;许硕;樊俊杰;国子轩设计研发完成，并于2026-01-14向国家知识产权局提交的专利申请。

本基于人工智能的电力设备故障诊断方法在说明书摘要公布了：本发明公开了机械设备故障诊断技术领域的一种基于人工智能的电力设备故障诊断方法，包括如下步骤：采用传感器采集电力设备运行的原始振动信号，基于故障类别划分标注数据集；计算所述原始振动信号的局部谱峭度,构建自适应频带选择函数识别故障特征的频带，并对目标频带进行特征增强重构，得到增强振动信号;对所述增强振动信号进行经验模态分解，得到有效的本征模态函数，计算所述本征模态函数的微分熵，基于融合时域和频域统计特征，获得时频统计融合特征向量。本发明通过引入自适应谱峭度计算和特征频带选择方法，有效解决了传统频域分析方法中由于固定频带划分导致的特征混叠问题，从而提高了故障特征的分离和诊断精度。

本发明授权基于人工智能的电力设备故障诊断方法在权利要求书中公布了：1.一种基于人工智能的电力设备故障诊断方法，其特征在于,包括如下步骤： 步骤S1：采用传感器采集电力设备运行的原始振动信号，基于故障类别划分标注数据集； 步骤S2：计算所述原始振动信号的局部谱峭度,构建自适应频带选择函数识别故障特征的频带，并对目标频带进行特征增强重构，得到增强振动信号，所述步骤S2包括： 步骤S21:基于短时傅里叶变换获得原始振动信号的时频矩阵,计算时频矩阵中每个频率和时间窗的局部谱峭度值;步骤S22:采用频率方向梯度算子计算在各个频率方向的变化率，计算各个变化率在时间窗索引上的平均绝对值，将平均绝对值的最大值乘以自适应阈值系数，得到绝对值阈值，比较平均绝对值与绝对值阈值的大小，当平均绝对值大于绝对值阈值时，将平均绝对值对应的频率索引加入特征频带索引集合；步骤S23:对特征频带索引集合对应的短时傅里叶变换系数进行幅值的非线性增强运算并保留原始相位信息，得到处理后的频域系数，基于逆短时傅里叶变换，将处理后的频域系数重构为时域信号，实现故障冲击特征的强化提取; 步骤S3：对所述增强振动信号进行经验模态分解，得到有效的本征模态函数，计算所述本征模态函数的微分熵，基于融合时域和频域统计特征，获得时频统计融合特征向量; 步骤S4：计算有效本征模态函数的频带能量解耦特征值和多尺度熵解耦特征值，拼接得到故障解耦特征向量，步骤S4包括： 步骤S41:计算本征模态函数在特征频带索引集合对应频率上的平均谱峭度加权能量与总能量的比值，并结合基于特征频带能量集中度的指数衰减因子，得到频带能量解耦特征值；步骤S42:计算有效本征模态函数的多尺度微分熵特征向量的标准差和偏度，基于尺度加权的微分熵平均值，得到熵解耦特征值，捕获故障模式在多尺度下的熵解耦特征值；步骤S43：将频带能量解耦特征值和熵解耦特征值按顺序拼接，形成故障解耦特征向量，基于频域能量分布和熵解耦特征值，得到故障解耦特征向量; 步骤S5：基于加权决策函数和故障类别置信度构建的分类模型，采用综合损失函数对模型进行训练，得到故障诊断模型; 步骤S6：对于待诊断设备，采集其振动信号，依次执行步骤S2至S4得到特征向量，输入故障诊断模型，输出故障类型诊断结果。

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四川职业技术学院，其通讯地址为：629000 四川省遂宁市学府北路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。