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！

龙图腾网获悉北京理工大学申请的专利一种面向风电机组的多模态大模型可解释诊断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：CN121211189B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202511737869.9，技术领域涉及：G06F18/2415；该发明授权一种面向风电机组的多模态大模型可解释诊断方法及系统是由韩特;魏一鸣;徐甲甲;蒋东翔;冯凯;姚家驰;王潇;谷晓阳;余碧莹;唐葆君设计研发完成，并于2025-11-25向国家知识产权局提交的专利申请。

本一种面向风电机组的多模态大模型可解释诊断方法及系统在说明书摘要公布了：本发明公开了一种面向风电机组的多模态大模型可解释诊断方法及系统，涉及风电机组故障诊断技术领域，包括，结合多模态数据振动、时序、图像、文本与拓扑信息，通过跨模态对比学习和拓扑建模实现故障诊断。方法包括多模态特征提取、标准化、对齐，并通过拓扑嵌入优化和跨模态注意力机制融合特征。故障诊断过程中，利用规则Agent和拓扑一致Agent引入动态修正与路径可靠性评估，对各模态特征和拓扑结构进行加权融合，最终输出准确的故障类型与部件定位结果。通过结合知识检索与多Agent决策模型，提高了故障诊断的适应性与精度，尤其在复杂环境下，能有效识别风电机组的故障模式，提升系统可靠性。

本发明授权一种面向风电机组的多模态大模型可解释诊断方法及系统在权利要求书中公布了：1.一种面向风电机组的多模态大模型可解释诊断方法，其特征在于：包括，在风电机组运行过程中，同步采集多模态的监测数据与拓扑结构信息；所述多模态的监测数据包含四种模态：振动数据、时序数据、图像数据，以及文本和日志数据；所述拓扑结构信息以风电机组物理结构为基础，生成拓扑图；其中，节点表示核心部件，边表示部件间的传动关系、能量流和控制关联，边权重基于部件耦合强度设定； 对多模态的所述监测数据进行针对性预处理，实现数据净化与时空对齐； 将预处理后的数据输入模态适配编码器，提取各模态特征，并通过统一投影实现特征维度一致性，得到跨模态四元组；其中，所述模态适配编码器包括，对振动数据采用基于ConvNeXt的改进网络进行编码：在ConvNeXt网络Stage2与Stage3之间嵌入频带自适应注意力层，通过小波包分解将STFT生成的时频图划分为多个关键频带区间，计算各频带与历史故障样本频带的互信息值，动态分配注意力权重；将原始单路径残差连接优化为双路径残差结构，主路径保留3×3深度可分离卷积，副路径增设1×1卷积与归一化层以捕捉低频稳态特征，主副路径特征通过频带能量占比动态调整的自适应权重融合；在网络输出端添加故障敏感特征增强层，基于风电机组故障机理，通过高斯核函数强化关键频带特征并抑制非故障频带噪声； 其中，高斯核函数的特征增强系数由历史故障数据离线训练确定； 对图像数据采用分层动态窗口Transformer模型进行编码，所述分层动态窗口Transformer模型通过三部分适配风电机组图像异常检测需求：第一部分为动态窗口生成机制，基于图像故障区域特性，通过边缘检测算法识别潜在异常区域，以异常区域为窗口中心，根据异常区域面积占比动态调整窗口大小；第二部分为跨层特征交互模块，在网络Stage1-Stage4之间设置跨层特征交互通道，将高层全局结构特征与低层局部细节特征通过异常区域置信度动态调整的注意力权重融合；第三部分是多尺度特征聚合输出，在网络输出端将Stage2-Stage4输出特征通过下采样和上采样操作，统一至相同分辨率，利用通过注意力机制计算各尺度特征贡献度并加权融合，得到图像模态特征； 利用跨模态四元组中，四模态对比学习与拓扑建模进行联合训练，优化特征对齐精度与物理一致性； 将标准化模态特征与拓扑嵌入特征联合输入跨模态注意机制，计算跨模态注意力权重，生成特征融合向量；将融合向量输入分类器，输出初步诊断结果； 通过动态提示生成与知识检索增强，获取故障背景信息，并通过多Agent决策模型对所述特征融合向量进行分析，加权融合各Agent输出概率，得到最终诊断结果。

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北京理工大学，其通讯地址为：100000 北京市海淀区中关村南大街5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。