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！

龙图腾网获悉四川斯普信信息技术有限公司申请的专利基于大数据的电气设备故障预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：CN121352143B 。

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：202511902164.8，技术领域涉及：G06Q10/04；该发明授权基于大数据的电气设备故障预测方法及系统是由李淑明;潘丰;于立杰;王思远;韩昊霖;李代会;朱建斌;严峰设计研发完成，并于2025-12-17向国家知识产权局提交的专利申请。

本基于大数据的电气设备故障预测方法及系统在说明书摘要公布了：本发明公开了基于大数据的电气设备故障预测方法及系统，涉及电气设备数据管理技术领域，包括提取模块、构建模块和预测模块，从电气数据中提取特征数据，采用双向长短期记忆网络作为基础架构，并结合层级化故障敏感特征库与关联度构建预测模型，预测模型输入量为特征数据，预测模型输出量电气设备的故障发生概率与故障类型，通过提取特征数据，结合健康度量化结果，构建层级故障敏感特征库，采用3层或3层以上隐藏层的长短期记忆网络架构，依据电气设备负载率与健康度动态调整特征优先级，控制样本比例并按故障频率微调参数，精准输出故障概率与故障类型，支撑电气设备的可靠运行、降低成本及能源稳定供应。

本发明授权基于大数据的电气设备故障预测方法及系统在权利要求书中公布了：1.基于大数据的电气设备故障预测系统，其特征在于，包括提取模块、构建模块和预测模块； 所述提取模块从电气数据中提取特征数据； 所述构建模块采用双向长短期记忆网络作为基础架构，并结合层级化故障敏感特征库与关联度构建预测模型； 所述预测模块将所述特征数据输入所述预测模型，从所述预测模型中输出电气设备的故障发生概率与故障类型； 所述电气数据包括电气设备的运行数据、环境数据及历史基础数据； 所述运行数据包括电气设备的电压值、电流值、温度值、油中溶解气体浓度及负载率； 所述环境数据包括电气设备所处环境的温度、环境湿度及电网电压波动值； 所述历史基础数据包括电气设备的历史故障记录、维护日志、运行时长和维护周期； 基于所述历史基础数据计算生成电气设备的健康度，所述健康度为量化电气设备健康状态的指标，所述指标的取值范围为[0,1]，值越大则健康状态越好，所述指标的计算包括以下步骤： 根据所述历史故障记录统计预设周期内的历史故障次数，按故障严重程度划分为轻微故障、一般故障和严重故障，分别对应第一故障影响值、第二故障影响值和第三故障影响值，将所述预设周期内所有故障对应的影响值累计求和，得到总故障影响值； 再根据所述维护日志统计预设周期内的维护次数，将维护后故障复发间隔超过预设阈值的定义为有效维护，未超过预设阈值的定义为无效维护，所述有效维护对应第一维护修正系数，所述无效维护对应第二维护修正系数，计算有效维护次数与无效维护次数分别乘以对应第一维护修正系数和第二维护修正系数后的总和除以总维护次数，得到维护修正值； 计算所述运行时长与电气设备设计寿命的比值作为老化影响值，当所述比值大于1时，老化影响值取1； 将所述总故障影响值、1减去维护修正值的差值和老化影响值相加得到健康度损耗值，用1减去所述健康度损耗值得到健康度； 并基于所述历史故障记录生成历史故障样本数据； 所述特征数据包括时序运行特征数据、环境关联特征数据和历史故障特征数据； 提取所述时序运行特征数据时，对所述运行数据中的电压值、电流值、温度值和负载率分别按预设时间窗口进行滑动计算，得到电压滑动窗口均值、电流滑动窗口均值、温度滑动窗口均值和负载率滑动窗口均值； 通过线性拟合计算连续时间片段内的温度值、电压值和负载率，得到温度趋势变化率、电压趋势变化率和负载率趋势变化率； 将所述运行数据与预设正常阈值对比，计算超出所述预设正常阈值的偏差幅度，得到突变阈值偏差； 提取环境关联特征时，通过皮尔逊系数计算所述环境数据与所述运行数据的相关性，得到相关性系数，当所述环境数据超出预设安全范围时，累计所述环境数据超出预设安全范围的持续时间，得到环境异常持续时长； 提取历史故障特征时，统计历史故障发生时的电气设备的运行数据的临界值，得到历史故障对应的运行数据阈值，结合预设健康度阈值作为历史故障风险的辅助判定依据具体包括： 将历史故障发生时的电气设备的健康度与预设健康度阈值进行对比，筛选出健康度低于所述健康度阈值的历史故障样本，以所述历史故障样本对应的运行数据阈值作为历史故障风险的核心判定标准，所述健康度未低于所述健康度阈值的历史故障样本作为参考基准； 基于筛选后的历史故障样本，对历史故障发生前的预设故障前时间区间及发生后的预设故障后时间区间内的多维度特征进行序列聚类，得到故障模式特征序列； 所述多维度特征包括历史故障发生前的预设故障前时间区间及发生后的预设故障后时间区间内的时序运行特征数据、环境关联特征数据及对应时段电气设备的运行数据； 所述时序运行特征包括电压滑动窗口均值、电流滑动窗口均值、温度滑动窗口均值、负载率滑动窗口均值、温度趋势变化率、电压趋势变化率、负载率趋势变化率及突变阈值偏差； 所述环境关联特征包括相关性系数及环境异常持续时长； 所述历史故障特征包括运行数据阈值和故障模式特征序列； 所述结合层级化故障敏感特征库与关联度构建预测模型包括： 基于预设的层级化电气设备故障敏感特征库，所述敏感特征库按故障影响关联程度划分为核心特征层、关联特征层和辅助特征层； 所述核心特征层包括油中溶解气体浓度和温度趋势变化率，且分别标注所述油中溶解气体浓度和温度趋势变化率对应故障类型为高敏感属性； 所述关联特征层包括环境数据中电气设备所处的环境温度、环境湿度和电网电压波动值，且分别标注所述环境温度、环境湿度和电网电压波动值对应故障类型为中敏感属性； 所述辅助特征层包括历史基础数据中电气设备的运行时长和维护周期，且分别标注运行时长和维护周期对应故障类型为低敏感属性； 通过关联度计算上述特征数据与故障预测结果的关联度； 所述关联度的计算逻辑包括： 所述核心特征层为高优先级，所述关联特征层为中优先级，所述辅助特征层为低优先级； 优先调用核心特征层的油中溶解气体浓度和温度趋势变化率计算基础关联度； 若核心特征层数据满足预设有效条件，则基于核心特征层数据与历史故障样本中核心特征层数据和故障预测结果的映射关系，初步量化关联强度； 所述核心特征层数据包括核心特征层对应的油中溶解气体浓度和温度趋势变化率，以及从历史故障样本数据中提取的核心特征层历史同期数据，所述预设有效条件包括核心特征层数据采集完整度大于等于第一比例值，所述故障预测结果为电气设备的故障发生概率与故障类型标签； 再调用关联特征层数据对所述基础关联度进行补充修正，所述关联特征层数据包括关联特征层对应的环境温度、环境湿度、电网电压波动值以及环境关联特征数据，当所述关联特征层数据存在异常时触发修正，所述异常包括环境温度超出安全范围； 最后调用辅助特征层数据进行二次校验，用于排除所述基础关联度的极端偏差，所述极端偏差排除场景包括维护周期正常时不调整关联度； 所述辅助特征层数据包括电气设备的运行时长、维护周期与上次维护的时间间隔，以及从历史故障样本数据中提取的运行时长历史统计值、维护周期历史基准值； 最终得到各个特征数据与故障发生概率和故障类型标签的关联度，所述关联度的取值范围为[0,1]； 所述构建模块基于历史故障样本中预设健康度阈值、核心特征层对应的运行数据阈值及基于历史故障样本统计的关联度与故障发生概率的分段对应标准与故障判定结果的映射关系，通过关联度映射，将计算得到的关联度转化为直接使用的故障发生概率数值及故障类型结论，作为故障类型判定依据。

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四川斯普信信息技术有限公司，其通讯地址为：610000 四川省成都市青羊区温哥华广场3层1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。