買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜同濟大學申請的專利一種基于深度學習與格拉姆角場圖像的能源系統故障診斷方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115187832B 。

龍圖騰網通過國家知識產權局官網在2025-04-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210731437.7，技術領域涉及：G06V10/774；該發明授權一種基于深度學習與格拉姆角場圖像的能源系統故障診斷方法是由阮應君;鄭銘樺;裴迪;錢凡悅設計研發完成，并于2022-06-24向國家知識產權局提交的專利申請。

本一種基于深度學習與格拉姆角場圖像的能源系統故障診斷方法在說明書摘要公布了：本發明涉及一種基于深度學習與格拉姆角場圖像的能源系統故障診斷方法，該方法依據能源系統各工況下的歷史運行數據，將多項運行參數的一維時間序列轉換為二維的GAF圖像，建立起圖像樣本集；在此基礎上，利用深度學習中的生成式網絡對故障圖像樣本進行樣本擴充，平衡樣本集；依據平衡后的圖像樣本集離線訓練基于深度學習的故障診斷模型，對實際運行數據的GAF圖像進行分類，實現對能源系統的在線故障診斷。與現有技術相比，本發明具有，保障能源系統的供能可靠性與設備安全性，具有較高診斷精度等優點。

本發明授權一種基于深度學習與格拉姆角場圖像的能源系統故障診斷方法在權利要求書中公布了：1.一種基于深度學習與格拉姆角場圖像的能源系統故障診斷方法，其特征在于，包括下列步驟：1）采集能源系統各種工況下的歷史運行數據，并對歷史運行數據進行預處理；2）采用最大相關最小冗余技術進行特征選擇，篩選出十個系統參數作為輸入特征；3）將輸入特征的一維時間序列轉換為二維的GAF圖像，并根據時間序列所處的系統運行工況，為二維的GAF圖像附上對應的標簽，建立GAF圖像樣本集；4）搭建深度學習中的生成式網絡，利用步驟3）所建立的GAF圖像樣本集中的故障樣本進行模型訓練；5）向生成式網絡輸入噪聲與附加條件，生成各類型故障樣本，實現樣本擴充，平衡GAF圖形樣本集；6）搭建基于深度學習的故障診斷模型，利用步驟5）平衡后的GAF圖像樣本集對模型進行訓練，獲取圖像所屬的故障類型；7）向訓練好的故障診斷模型輸入實際運行數據所轉換得到的GAF圖像，輸出圖像所屬運行工況，實現在線故障診斷；步驟2）的具體步驟包括：21）采用互信息度量獲取特征與故障之間的非線性相關性；22）獲取特征子集與故障標簽相關性的度量；23）確定特征子集的冗余性度量；24）根據特征與故障標簽的互信息值，對所有特征進行降序排列，確定初始特征子集，向前選擇新的特征加入特征子集；25）對所有特征進行mRMR計算后，得到新的特征排序，選取前十個特征作為輸入特征進行后續工作；步驟3）中，建立GAF圖像樣本集的具體步驟包括：31）設置時間窗口尺寸與窗口滑動步長，對附上對應的標簽的二維的GAF圖像截取多段輸入特征的時間序列，獲取多個數據樣本；32）針對一個數據樣本，將各輸入特征的時間序列首尾相連拼接成一維序列；33）將步驟32）所構成的一維序列進行極坐標變換；34）通過類格拉姆角場矩陣，將映射到極坐標系的一維序列轉換成二維的GAF圖像；在步驟4）中，所述生成式網絡為深度學習中生成對抗網絡，深度學習中生成對抗網絡模型包括用于生成圖像的生成網絡與用于判斷圖像真假的判別網絡，在深度學習中生成對抗網絡模型的訓練過程中，令生成網絡與判別網絡相互博弈學習以達到納什平衡；在深度學習中生成對抗網絡模型的訓練過程中，利用瓦瑟斯坦距離表征真實故障樣本分布與生成故障樣本分布之間的差距，并作為生成網絡與判別網絡的損失函數，在判別網絡的損失函數中添加一項梯度懲罰項構成WGAN-GP模型；在深度學習中生成對抗網絡模型的訓練過程中，通過在WGAN-GP模型的基礎上添加圖像標簽進行訓練，使生成網絡按照輸入標簽值生成相對應故障樣本，最終構成用于故障樣本生成的CWGAN-GP模型；其中CWGAN-GP模型中生成網絡與判別網絡的損失函數為： ，式中，為附加條件值，即圖像標簽；分別為判別網絡與生成網絡的損失函數；分別為真實分布與生成分布的樣本；分別為真實樣本分布與生成樣本分布。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人同濟大學，其通訊地址為：200092 上海市楊浦區四平路1239號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。