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！

龙图腾网获悉国能大渡河检修安装有限公司申请的专利基于小波分解的水电站故障识别方法、系统、设备及介质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：CN116842417B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202310594907.4，技术领域涉及：G06F18/24；该发明授权基于小波分解的水电站故障识别方法、系统、设备及介质是由王勇飞;王彤;周晓东;王浩宇;张健;黄梦婷;郑治国设计研发完成，并于2023-05-24向国家知识产权局提交的专利申请。

本基于小波分解的水电站故障识别方法、系统、设备及介质在说明书摘要公布了：本发明公开了基于小波分解的水电站故障识别方法、系统、设备及介质，其方法包括以下步骤：S1、采集水电站工作时机械振动信号；S2、对机械振动信号进行滤波，得到滤波机械振动数据；S3、将滤波机械振动数据进行小波变换，得到幅度数据；S4、将幅度数据与对应故障进行匹配，构建训练样本对；S5、采用训练样本对训练水电站故障识别模型；S6、采用训练完成的水电站故障识别模型对实时的水电站机械振动信号的幅度数据进行处理，得到故障情况，本发明解决了现有通过布置多种传感器，在传感信号超过阈值时，确定水电站故障的方法存在无法提前预测水电站故障，需要在传感信号超过阈值时，才能对水电站故障进行确定的问题。

本发明授权基于小波分解的水电站故障识别方法、系统、设备及介质在权利要求书中公布了：1.一种基于小波分解的水电站故障识别方法，其特征在于，包括以下步骤： S1、采集水电站工作时机械振动信号； S2、对机械振动信号进行滤波，得到滤波机械振动数据； S3、将滤波机械振动数据进行小波变换，得到幅度数据； S4、将幅度数据与对应故障进行匹配，构建训练样本对； S5、采用训练样本对训练水电站故障识别模型，其中，水电站故障识别模型包括：第一卷积层、第二卷积层、第三卷积层、第一加法层A1、最大池化层、平均池化层、第一注意力模块、第二注意力模块、concat层和全连接层； 所述第一卷积层、第二卷积层和第三卷积层用于输入各频率的幅度数据；所述第一加法层A1的第一输入端与第一卷积层的输出端连接，其第二输入端与第二卷积层的输出端连接，其第三输入端与第三卷积层的输出端连接，其输出端分别与最大池化层的输入端和平均池化层的输入端连接；所述最大池化层的输出端与第一注意力模块的输入端连接；所述平均池化层的输出端与第二注意力模块的输入端连接；所述concat层的第一输入端与第一注意力模块的输出端连接，其第二输入端与第二注意力模块的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端作为水电站故障识别模型的输出端；所述第一注意力模块包括：第四卷积层、第五卷积层、第一softmax层、第二加法层A2和第一乘法层M1； 所述第四卷积层的输入端分别与第五卷积层的输入端和第二加法层A2的第一输入端连接，其输出端与第一softmax层的输入端连接；所述第一乘法层M1的第一输入端与第一softmax层的输出端连接，其第二输入端与第五卷积层的输出端连接，其输出端与第二加法层A2的第二输入端连接；所述第二加法层A2的输出端作为第一注意力模块的输出端；所述第二注意力模块包括：第六卷积层、第七卷积层、第二softmax层、第三加法层A3和第二乘法层M2； 所述第六卷积层的输入端分别与第七卷积层的输入端和第三加法层A3的第一输入端连接，其输出端与第二softmax层的输入端连接；所述第二乘法层M2的第一输入端与第二softmax层的输出端连接，其第二输入端与第七卷积层的输出端连接，其输出端与第三加法层A3的第二输入端连接；所述第三加法层A3的输出端作为第二注意力模块的输出端； 训练水电站故障识别模型的损失函数为： 其中，为损失函数，为第次训练时水电站故障识别模型的输出，为第次训练时对应的标签，为损失函数权重系数，为当前训练总次数，为训练因子，为正整数，，为将当前第次与第次之间的训练次数的数据进行求和处理； 训练水电站故障识别模型的权重更新公式为： 其中，为更新后的模型权重，为更新前的模型权重，为第次训练时水电站故障识别模型的输出，为第次训练时对应的标签，为损失函数，为比值阈值，为三角函数，为自然对数，为偏导符号，为绝对值； S6、采用训练完成的水电站故障识别模型对实时的水电站机械振动信号的幅度数据进行处理，得到故障情况。

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国能大渡河检修安装有限公司，其通讯地址为：610000 四川省成都市中国(四川)自由贸易试验区成都高新区天韵路7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。