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！

龙图腾网获悉北京协合运维风电技术有限公司申请的专利一种基于机器学习算法的风电机组故障诊断数据处理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：CN121256425B 。

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：202511836591.0，技术领域涉及：G06F18/23213；该发明授权一种基于机器学习算法的风电机组故障诊断数据处理方法是由胥佳;朱永峰;刘瑞华;陈振华;李晶晶设计研发完成，并于2025-12-08向国家知识产权局提交的专利申请。

本一种基于机器学习算法的风电机组故障诊断数据处理方法在说明书摘要公布了：本发明涉及风力发电技术领域，且公开了一种基于机器学习算法的风电机组故障诊断数据处理方法，采用多源数据清洗与工况自适应切片确保数据质量；通过多算法共识聚类与物理机理映射实现故障子类的自动发现与解释；创新性地提出综合考虑数量和分类难度的不平衡度指数，结合物理约束的过采样技术，精准平衡数据集；最终通过层次化训练与动态权重优化，构建出高精度、高鲁棒性的可解释诊断模型。有效避免了模型因数据不平衡而产生的高精度陷阱，显著提升了对早期微弱故障的识别能力，为风电机组预测性维护提供了可靠技术支撑，大幅降低运维成本和故障风险。

本发明授权一种基于机器学习算法的风电机组故障诊断数据处理方法在权利要求书中公布了：1.一种基于机器学习算法的风电机组故障诊断数据处理方法，其特征在于，包括如下步骤：S1：接收风电机组SCADA系统采集的原始运行数据，包括正常状态和故障状态的样本，通过工况参数划分稳定运行区间并提取多尺度时频域特征，使用标准化方法归一化数据分布，输出预处理后的清洁数据集；S2：接收预处理数据集，提取故障样本部分，采用多种无监督聚类算法并行分析，基于工况参数计算样本间相似度，通过聚类结果验证与故障机理映射，自动识别并划分不同的故障模式子类，输出故障子类数据集；S3：接收故障子类数据集，分析每个子类的样本分布和数量，基于样本数量与分类难度计算各子类不平衡度指数，针对样本稀少的故障子类，应用合成少数类过采样技术，根据不平衡度指数动态调整采样策略，基于k近邻算法生成合成样本，同时引入物理关系约束保留原始特征关系，输出多子类故障数据集；S3包括S31：接收故障子类数据集，通过精确统计各故障子类样本数量并计算稀缺比率，同时引入分类难度作为加权因子，评估子类分布密度和分离度，构建综合考虑数量和难度的不平衡度指数，输出详细分析报告；S31具体执行以下操作：接收故障子类数据集，精确统计每个故障子类的样本数量，并计算其稀缺比率，为所有故障子类中第个子类的样本数量，同时计算每个子类在特征空间中的平均最近邻距离以评估分布密度，并计算其与其它子类中心的平均距离以评估分离度，综合密度与分离度得出分类难度系数，构建不平衡度指数，输出包含各子类数量、难度及不平衡度指数的初步分析报告；引入信息熵与分布散度来量化每个故障子类的内在复杂性，计算每个子类在其特征空间上的投影熵，计算子类与其余所有子类集合的整体Jensen-Shannon散度，输出包含各子类投影熵与Jensen-Shannon散度的复杂度报告；通过因子耦合的不平衡度决策函数处理，输出一份包含各故障子类最终集成不平衡度指数的详细分析报告；因子耦合的不平衡度决策函数为：，为子类的最终集成不平衡度指数，为稀缺比率，为分类难度系数，为投影熵，为Jensen-Shannon散度，为可调超参数，分别控制数量稀缺性、传统难度、分布离散性、类别混淆性在最终指数中的权重，在应用SMOTE生成样本时引入的物理关系约束，其物理边界依据机组设计手册额定参数、历史正常运行数据95%置信区间确定；S4：接收多子类故障数据集，结合正常样本构建完整训练集，使用集成学习方法训练多分类故障诊断模型，通过动态调整损失函数类别权重优化模型对少数故障的敏感性，采用交叉验证调整超参数，并输出故障诊断模型。

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协合运维风电技术有限公司，其通讯地址为：101100 北京市通州区经济开发区聚富苑产业园区聚和六街1号-0360；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。