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！

龙图腾网获悉绵阳师范学院;四川帝威能源技术有限公司申请的专利基于人工智能的机电设备故障检测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：CN121093021B 。

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：202511643917.8，技术领域涉及：G06F18/232；该发明授权基于人工智能的机电设备故障检测方法及系统是由张良;周玉荣;梁君;陈超;杨锐;彭仁明;袁亮;郑杨麒;谭亮;赵文妍设计研发完成，并于2025-11-11向国家知识产权局提交的专利申请。

本基于人工智能的机电设备故障检测方法及系统在说明书摘要公布了：本发明公开了基于人工智能的机电设备故障检测方法及系统，属于故障检测技术领域，方法包括：数据采集、数据预处理、机电设备特征信息处理、机电设备数据聚类和故障检测。本方案将熵、信息增益和平均互信息结合，得到综合增益率进行初步特征筛选，根据互信息和多元综合增益率进行特征分组，根据效能均衡系数和差异互补系数生成并更新参考集，进行二次特征筛选，能够为机电故障检测提供稳定有效的特征支持；通过局部域凝聚项和全局域平滑项计算双域综合指数，得到数据的双域相对密度，将密度离散度比率和近邻平均最小距离相结合，得到数据与每个簇中心的综合关联度，提高机电设备故障检测的准确性和可靠性。

本发明授权基于人工智能的机电设备故障检测方法及系统在权利要求书中公布了：1.基于人工智能的机电设备故障检测方法，其特征在于：该方法包括以下步骤： 步骤S1：数据采集；采集机电设备数据； 步骤S2：数据预处理；对机电设备数据进行数据清洗、数据编码和数据归一化； 步骤S3：机电设备特征信息处理；将熵、信息增益和平均互信息结合，得到综合增益率进行初步特征筛选，根据互信息和多元综合增益率进行特征分组，再生成初始特征组合，根据效能均衡系数和差异互补系数分别选择高质量和高多样性的特征组合，生成并更新参考集，进行二次特征筛选，构建检测数据集； 步骤S4：机电设备数据聚类；构建近邻集，通过局部域凝聚项和全局域平滑项计算双域综合指数，得到数据的双域相对密度，再结合相对距离得到决策值，选择簇中心，将密度离散度比率和近邻平均最小距离相结合，得到数据与每个簇中心的综合关联度，进行分簇，形成簇集合； 步骤S5：故障检测；将实时机电设备数据所属簇的簇标签作为检测结果，当设备状态类别为故障时，向相关管理人员发送故障预警信号； 在步骤S3中，所述机电设备特征信息处理具体包括以下步骤： 步骤S31：初步特征筛选；计算预处理后历史机电设备数据中每个特征的熵和信息增益，以及每个特征与其他所有特征的平均互信息，将熵、信息增益和平均互信息三者结合，得到每个特征对设备状态类别的综合增益率，根据所有特征其综合增益率的平均值μ和标准差σ，基于综合增益率大于μ+0.3σ的特征构建初步特征筛选集；所用公式如下： ； 式中，zi是历史机电设备数据中的第i个特征，i是特征索引，C是设备状态类别，和分别是特征zi对设备状态类别C的信息增益和综合增益率，是特征zi的熵，是除zi外其他所有特征的集合，是特征zi与其他所有特征的平均互信息，α是[0,1]范围内的冗余惩罚系数； 步骤S32：特征分组；将初步特征筛选集中的特征按综合增益率降序排列，将每个特征的状态初始为未分组，并初始化分组数M=0，依次遍历初步特征筛选集中的特征，对每个状态为未分组的特征zv执行以下操作： 步骤S321：创建新组；基于未被分组的特征zv创建一个独立特征组B={zv}，将特征zv作为独立特征组B的基准特征，将特征zv的状态修改为已分组，并将分组数M的值加1； 步骤S322：条件检查；对于当前初步特征筛选集中每个状态为未分组的特征zj，计算特征zj与独立特征组B的多元综合增益率，若特征zj满足或者，则将特征zj加入到独立特征组B中，并将特征zj的状态修改为已分组；所用公式如下： ； 式中，是特征zv和特征zj的互信息，zw是独立特征组B中的第w个特征，和分别是特征zj和特征zw对设备状态类别C的综合增益率，NB是当前独立特征组B中的特征数量，、和分别是特征zw、特征zj和的熵； 步骤S33：初始特征组合；初始生成Q个特征组合，初始的特征组合包括1个基础特征组合、个随机特征组合和个均衡特征组合；基础特征组合由M个独立特征组中的基准特征构成；每个随机特征组合通过从M个独立特征组中随机选择a个特征构成，且每个随机特征组合中的数量a是[1，M]之间的随机整数；每个均衡特征组合通过先从M个独立特征组中随机选择b个独立特征组，再从每个选中的独立特征组中各随机选择1个特征构成，且每个均衡特征组合中的数量b随机为M或M+1；其中，是向下取整； 步骤S34：生成参考集；根据特征组合中特征与设备状态类别C的平均综合增益率，以及特征间的平均互信息，计算每个特征组合的效能均衡系数，将所有特征组合按照效能均衡系数降序排列，选择前D1个特征组合作为高质量的特征组合加入到参考集中；对于每个未被选择的特征组合，计算其与当前参考集的差异互补系数，再将所有未被选择的特征组合按照差异互补系数降序排列，选择前D-D1个特征组合作为高多样性的特征组合加入到参考集中；所用公式如下： ； ； ； ； 式中，是特征组合G的效能均衡系数，NG是特征组合G中的特征数量，是特征组合G中特征与设备状态类别C的平均综合增益率，是特征组合G中特征间的平均互信息，zh和zr分别是特征组合G中的第h个和第r个特征，是特征zh对设备状态类别C的综合增益率，是特征zh和特征zr的互信息，和分别是特征组合G和当前参考集J中特征的并集和交集，是仅在特征组合G或仅在当前参考集J中的特征数量，是特征组合G与当前参考集J的差异互补系数，D是参考集中特征组合的数量，，D1是高质量的特征组合的数量，，和分别是取最大值函数和取最小值函数； 步骤S35：更新参考集；对于当前参考集中任意两个不同的特征组合，通过其交集和并集生成新的特征组合，共得到个新的特征组合，基于当前参考集中D个特征组合和个新的特征组合生成待选池，根据效能均衡系数先从待选池中选择D1个高质量的特征组合，再根据差异互补系数从待选池中选择D-D1个高多样性的特征组合，基于选择的这D个特征组合构成新的参考集；所用公式如下： ； ； 式中，G1和G2分别是当前参考集中两个不同的特征组合，和分别是根据G1和G2的交集和并集生成的新的特征组合； 步骤S36：二次特征筛选；将参考集中效能均衡系数最高的特征组合作为最优特征组合，预先设置最大迭代次数Imax，若最优特征组合中的特征连续次迭代未发生变化，则基于最优特征组合中的特征构建二次特征筛选集；否则，若达到最大迭代次数时，返回步骤S33重新初始特征组合；否则将迭代次数加1，并返回步骤S35继续更新参考集；其中，是向下取整； 步骤S37：构建检测数据集；基于二次特征筛选集，从历史机电设备数据中提取相对应的特征数据并保留其原有的数据标签，同时从实时机电设备数据中提取相同的特征数据，形成检测数据集； 在步骤S4中，所述机电设备数据聚类具体包括以下步骤： 步骤S41：构建近邻集；根据检测数据集中的数据数量Z，确定近邻数据的数量；计算检测数据集每两个数据之间的欧几里得距离，构建每个数据的K近邻集和2K近邻集； 步骤S42：计算双域综合指数；根据K近邻集，基于近邻数据和非近邻数据，分别计算局部域凝聚项和全局域平滑项，得到检测数据集中每个数据的双域综合指数；所用公式如下： ； 式中，xp是检测数据集中的第p个数据，是数据xp的双域综合指数，是数据xp的K近邻集，xq是中的第q个近邻数据，是数据xp和数据xq之间的欧几里得距离，xs是第s个非近邻数据，是数据xp和数据xs之间的欧几里得距离，和分别是局部域凝聚项和全局域平滑项，是自然指数函数； 步骤S43：计算双域相对密度；根据2K近邻集和双域综合指数，得到检测数据集中每个数据的双域相对密度；所用公式如下： ； 式中，是数据xp的双域相对密度，是数据xp的2K近邻集，xm是中的第m个近邻数据，是数据xm的双域综合指数； 步骤S44：选择簇中心；计算检测数据集中每个数据的相对距离，基于双域相对密度和相对距离的乘积得到每个数据的决策值，将所有数据按照决策值的大小降序排列，选取决策值最大的前U个数据作为簇中心，将每个簇中心各自初始化为独立的簇；所用公式如下： ； 其中，是数据xp的相对距离，xf是检测数据集中的第f个数据，是数据xf的双域相对密度，是数据xp和数据xf之间的欧几里得距离，是所有数据中的最大双域相对密度；是在检测数据集中筛选出所有满足的数据xf，然后取这些数据xf与数据xp之间欧几里得距离的最小值； 步骤S45：计算综合关联度；对于检测数据集中每个非簇中心的数据，将密度离散度比率和近邻平均距离相结合，得到数据与每个簇中心的综合关联度；具体包括以下步骤： 步骤S451：计算密度离散度比率；根据数据的K近邻集的平均双域相对密度计算密度离散度，再结合簇中心的密度离散度，得到数据与簇中心的密度离散度比率；所用公式如下： ； ； 其中，ou是第u个簇中心，和分别是数据xp和簇中心ou的密度离散度，是数据xq的双域相对密度，是数据xp的K近邻集的平均双域相对密度，是数据xp与簇中心ou的密度离散度比率； 步骤S452：计算近邻平均距离；根据数据的K近邻集中每个近邻数据与簇中心之间的欧几里得距离，得到数据与簇中心的近邻平均距离；所用公式如下： ； 式中，和分别是数据xp与簇中心ou的近邻平均距离和欧几里得距离，是数据xp与簇中心ou之间的欧几里得距离； 步骤S453：结合；将密度离散度比率和近邻平均距离结合，得到数据与簇中心的综合关联度；所用公式如下： ； 式中，是数据xp与簇中心ou的综合关联度，是所有数据与所有簇中心之间的最大密度离散度比率，是所有数据与所有簇中心之间的近邻平均距离的最大指数值； 步骤S46：分簇；对于检测数据集中每个非簇中心的数据，计算其与各簇中心的综合关联度，将该数据划分到综合关联度最大的簇中心所对应的簇中，最终形成包含U个簇的簇集合，得到聚类结果。

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绵阳师范学院;四川帝威能源技术有限公司，其通讯地址为：621900 四川省绵阳市游仙区仙人路1段30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。