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！

龙图腾网恭喜新疆大学申请的专利基于混合注意力机制的发电机故障检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：CN114841580B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202210511221.X，技术领域涉及：G06F18/20；该发明授权基于混合注意力机制的发电机故障检测方法是由马军岩;袁逸萍;张育超;包洪印设计研发完成，并于2022-05-12向国家知识产权局提交的专利申请。

本基于混合注意力机制的发电机故障检测方法在说明书摘要公布了：本发明公开了一种基于混合注意力机制的发电机故障检测方法，首先采集风电机组发电机历史正常运行时的SCADA系统监测信号，获取训练数据集；其次建立基于混合注意力机制的长短期记忆自编码器，在编码器中引入空间注意力机制，在解码器中引入时间注意力机制，以重构误差最小为目标训练整个自编码网络模型，并提取训练数据集的深度特征；构建发电机故障检测模型，首先计算各深度特征的平均值，然后采用马氏距离计算各样本的状态指标，对训练集的状态指标序列进行平滑处理，采用核密度估计方法计算健康阈值；最后采集待检测发电机的监测信号，获取测试数据集，将测试数据集输入到发电机故障检测模型中，输出发电机故障检测结果，判断发电机故障与否。

本发明授权基于混合注意力机制的发电机故障检测方法在权利要求书中公布了：1.一种基于混合注意力机制的发电机故障检测方法，包括如下步骤：S1、获取训练数据集；S1.1对SCADA系统采集的风电机组发电机监测数据，去除环境风速小于切入风速和大于切出风速时所对应的监测数据，包括发电机正常运行时的工况变量和状态变量；S1.2对SCADA系统采集的风电机组发电机正常运行时的工况变量和状态变量进行归一化处理，得到归一化后的发电机正常运行状态下的监测数据；S1.3获取训练数据集：X＝x1，x2，...，xnT∈RT表示时间长度为T的n维训练数据集，其中，前4维变量代表工况，后n-4维变量代表发电机状态；代表时间长度为T的监测变量，表示在t时刻输入的n个监测变量；S2、构建基于混合注意力机制的长短期记忆自编码网络模型；S2.1构建加入空间注意力机制的长短期记忆编码器，在编码器LSTM单元中引用上一步隐藏状态和细胞状态，提取每个时间步上各变量的注意力权重，构成新的输入序列并作为编码器的输入；S2.2构建加入时间注意力机制的长短期记忆解码器，根据前一步隐藏状态计算当前时间步上隐藏状态的注意力权重；S3、对基于混合注意力机制的长短期记忆自编码网络模型进行训练；S3.1将训练数据集作为LSTM模型的输入，根据空间注意力计算公式1，计算t时刻监测变量k的注意力权重和需要学习的网络参数； 其中，ve∈RT，We∈RT×2m，Ue∈RT×T分别为网络需要学习的参数；在公式1中，相关性权重由监测变量k的当前值与近期值计算得到，近期值则利用编码器中上一时间步的隐藏状态ht-1和细胞状态st-1来表示；S3.2根据公式2，采用softmax函数对发电机所有监测变量的相关性权重进行归一化，最终获得t时刻变量k的注意力权重 S3.3通过空间注意力机制计算各维变量加权后的输出向量，根据公式3自适应选择t时刻自编码器的输入：S3.4基于解码器在t-1时刻的隐藏状态dt-1∈Rp，和记忆单元状态s′t-1∈Rp，计算t′时刻编码器对t时刻隐藏状态的注意力权重，如下式4所示； 其中[dt-1；s′t-1]∈R2p分别表示解码器LSTM单元的前一个时间步的隐藏状态和记忆单元状态；vd∈RT，Wd∈RT×2m，Ud∈RT×T分别为训练得到的网络模型参数；S3.5根据公式5，采用softmax函数计算得到的相关性权重进行归一化，最终获得t′时刻编码器隐藏状态的注意力权重：S3.6以发电机温度变量预测误差最小为优化目标，训练自编码网络，获得网络参数；S3.7根据加权求和公式6对所有编码器隐藏状态{h1，h2，...，hT}加权求和得到发电机状态的深度特征向量：S4、构建发电机故障检测模型；S4.1基于训练数据集，根据公式6提取发电机状态的深度特征向量，并将深度特征序列作为自编码网络的输出；S4.2构建发电机状态指标：计算训练样本的深度特征的平均值，则训练样本在时刻t的状态指标Bt可表示为该时刻样本的深度特征值与平均值之间的马氏距离，计算公式如7所示：式中，ct为t时刻训练样本的状态特征，u为训练样本的状态特征均值向量，Cov-1为训练样本的协方差矩阵的逆矩阵；S4.3构建发电机状态参考空间：依据公式7计算所有训练样本的状态指标，构成发电机状态参考空间{B1，...，Bt，...，BT}∈RA*T,A为深度特征维度，T为训练数据集的时间长度；S4.4a、如果平滑处理后的状态指标序列被验证不符合正态分布，则采用核密度估计方法计算状态指标的阈值；设正常状态指标的概率密度函数为则基于核密度估计的概率密度函数如式8所示：式中，h为带宽,K.为高斯核函数如式9所示： 设定置信度为α，则发电机的状态指标阈值为td如式10所示： b、如果平滑处理后的状态指标序列被验证符合正态分布，则采用3σ原则计算状态指标的阈值td：td＝μ±3σ11式中，μ和σ分别为训练样本深度特征的均值和方差；S4.5根据公式7计算测试数据集的状态指标，将测试数据集的状态指标与训练数据集的状态指标阈值做对比，若测试数据集的状态指标超出训练数据集的状态指标阈值，则视为发电机状态异常，触发预警。

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新疆大学，其通讯地址为：830046 新疆维吾尔自治区乌鲁木齐市胜利路666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”。