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！

龙图腾网获悉广东工业大学申请的专利一种多模态跨注意力增强图神经网络的故障预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：CN120871803B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202510753793.2，技术领域涉及：G05B23/02；该发明授权一种多模态跨注意力增强图神经网络的故障预测方法是由赵荣丽;汪佳骏;刘强;冷杰武;谢梦洋设计研发完成，并于2025-06-06向国家知识产权局提交的专利申请。

本一种多模态跨注意力增强图神经网络的故障预测方法在说明书摘要公布了：本发明涉及故障预测技术领域，提出一种多模态跨注意力增强图神经网络的故障预测方法，包括：采集设备的数据；对图像数据执行自适应增强与归一化处理，对时序数值信号进行滑动窗口分割、标准化及噪声抑制，对维护日志文本执行语义向量化编码；使用剪枝后的轻量化卷积神经网络提取图像数据的低维空间特征，串联建模时序数值信号的时间序列特征，提取维护日志文本的上下文语义表达，并整合为多模态数据，交替以每一模态特征作为Query，其余模态特征作为Key和Value，计算注意力权重并加权融合；构建模态节点加权图，通过多层图注意力网络进行节点间特征传播；并行部署剩余使用寿命回归预测模块与退化等级分类模块，经多任务联合优化完成故障预警。

本发明授权一种多模态跨注意力增强图神经网络的故障预测方法在权利要求书中公布了：1.一种多模态跨注意力增强图神经网络的故障预测方法，其特征在于，所述故障预测方法包括以下步骤： S1：采集设备的图像数据、时序数值信号及维护日志文本，并添加时空标识； S2：对图像数据执行自适应增强与归一化处理，对时序数值信号进行滑动窗口分割、标准化及噪声抑制，对维护日志文本执行语义向量化编码； S3：使用剪枝后的轻量化卷积神经网络提取图像数据的低维空间特征，采用1D-CNN与GRU串联建模时序数值信号的时间序列特征，基于Transformer和BERT架构提取维护日志文本的上下文语义表达； S4：将低维空间特征、时间序列特征和上下文语义表达整合为多模态数据，交替以每一模态特征作为Query，其余模态特征作为Key和Value，计算注意力权重并加权融合，输出跨模态融合特征； S5：基于所述跨模态融合特征的空间相似度、语义关联及先验工况规则，构建模态节点加权图，通过多层图注意力网络进行节点间特征传播，自动学习模态间耦合关系，基于元学习框架，在少量支持样本上做快速梯度更新，并在查询集上反向优化元参数，自动划分支持集和查询集，通过内循环更新参数、外循环评估泛化能力； S6：并行部署剩余使用寿命回归预测模块与退化等级分类模块，经多任务联合优化完成故障预警； 其中，寿命回归预测模块与退化等级分类模块共享同一融合特征层，分别通过加权回归损失函数与加权分类损失函数进行优化； 步骤S4包括： 构建线性映射模块，所述线性映射模块包括图像数据的低维空间特征映射层、时序数值信号的时间序列特征映射层和维护日志文本的上下文语义表达映射层； 将输入的低维空间特征、时间序列特征和上下文语义表达投影至同一维度空间中： 构建跨模态注意力子模块，所述跨模态注意力子模块包括个并行的注意力头，每个注意力头内部含有查询线性映射、键线性映射及值线性映射，所有映射均将输入特征维度降至； 在第个注意力头中，若Query为低维空间特征，则时间序列特征和上下文语义表达同时作为KeyValue，计算注意力权重并加权融合满足关系式： , ； 若Query为时间序列特征，则低维空间特征和上下文语义表达同时作为KeyValue，计算注意力权重并加权融合满足关系式： , ； 若Query为上下文语义表达，则将低维空间特征和时间序列特征同时作为KeyValue，计算注意力权重并加权融合满足关系式： , ； 其中，表示低维空间特征对时间序列特征的权重，表示低维空间特征对上下文语义表达的权重，表示关于低维空间特征的特征融合输出，表示时间序列特征对低维空间特征的权重，表示时间序列特征对上下文语义表达的权重，表示关于时间序列特征的特征融合输出，表示上下文语义表达对低维空间特征的权重，表示上下文语义表达对时间序列特征的权重，表示关于上下文语义表达的特征融合输出，、和分别表示低维空间特征、时间序列特征和上下文语义表达的特征维度； 步骤S4包括： 将每个注意力头的输出在特征维度上拼接，并通过线性映射层恢复至维，得到多头融合输出： ； 残差连接与层归一化将多头融合输出与原映射特征相加，并施以层归一化LayerNorm，防止梯度消失并稳定训练过程： ； 多模态动态融合单元最终输出三路融合特征，其中每一路特征均兼具原始模态信息和来自其他模态的互补信息； 步骤S5包括： 将分别抽象为节点集合，基于三路融合特征之间的欧式距离和余弦相似度，计算任意两个节点之间的边权重，满足关系式： ； 其中表示用于控制空间相似度与语义相似度在边权中的相对影响力的可调权重参数，分别表示第个模态融合特征向量,表示两模态特征之间的欧氏距离平方,表示两特征向量在方向上的余弦相似度。

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广东工业大学，其通讯地址为：510062 广东省广州市越秀区东风东路729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。