買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉福州大學(xué)申請的專利一種基于振動信號的配電變壓器故障診斷方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN115600088B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-08發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202211266435.1，技術(shù)領(lǐng)域涉及：G06F18/10；該發(fā)明授權(quán)一種基于振動信號的配電變壓器故障診斷方法是由高偉;邱仕達;洪翠;郭謀發(fā)設(shè)計研發(fā)完成，并于2022-10-15向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于振動信號的配電變壓器故障診斷方法在說明書摘要公布了：本發(fā)明涉及一種基于振動信號的配電變壓器故障診斷方法，包括：獲取配電變壓器振動信號，并采用自適應(yīng)噪聲完備集合經(jīng)驗?zāi)B(tài)分解與希爾伯特變換相結(jié)合對配電變壓器振動信號進行處理，分別求取不同頻帶的邊際譜構(gòu)造特征向量；對特征向量矩陣構(gòu)造高斯函數(shù)加權(quán)的無向完全圖，求取鄰接矩陣，并構(gòu)建多通道多連通的圖卷積神經(jīng)網(wǎng)絡(luò)模型用于挖掘深層特征與故障分類；在圖卷積神經(jīng)網(wǎng)絡(luò)模型中，使用帶正弦函數(shù)的擾動因子改進灰狼優(yōu)化算法對高斯核帶寬尋優(yōu)，得到最優(yōu)診斷模型；通過得到的最優(yōu)診斷模型對待識別對象進行故障識別。該方法有利于提高診斷精度，以及對未知類型故障進行辨識。

本發(fā)明授權(quán)一種基于振動信號的配電變壓器故障診斷方法在權(quán)利要求書中公布了：1.一種基于振動信號的配電變壓器故障診斷方法，其特征在于，包括： 步驟S1、采集配電變壓器振動信號，并使用自適應(yīng)噪聲完備集合經(jīng)驗?zāi)B(tài)分解與希爾伯特變換相結(jié)合對配電變壓器振動信號進行處理，分別求取不同頻帶的邊際譜構(gòu)造特征向量； 步驟S2、對特征向量矩陣構(gòu)造高斯函數(shù)加權(quán)的無向完全圖，求取鄰接矩陣，并搭建多通道多連通的圖卷積神經(jīng)網(wǎng)絡(luò)模型用于挖掘深層特征與故障分類； 步驟S3、在圖卷積神經(jīng)網(wǎng)絡(luò)模型中，使用帶正弦函數(shù)的擾動因子改進灰狼優(yōu)化算法對高斯核帶寬尋優(yōu)，獲得最優(yōu)診斷模型； 步驟S4、通過得到的最優(yōu)診斷模型對待識別對象進行故障識別； 對特征向量矩陣構(gòu)造高斯函數(shù)加權(quán)的無向完全圖，求取鄰接矩陣，并構(gòu)建圖卷積神經(jīng)網(wǎng)絡(luò)模型用于挖掘深層特征與故障分類，包括以下步驟： 步驟S21、對邊際譜信息組成的特征向量矩陣構(gòu)造高斯函數(shù)加權(quán)的無向完全圖，并求取鄰接矩陣； 以每個樣本為頂點，假設(shè)所有頂點都存在邊連接但邊的權(quán)重不同，邊的權(quán)重由高斯函數(shù)計算，具體如下： 式中，Apq＝Aqp表示兩個頂點間的連接權(quán)重，η表示高斯核帶寬，Xp,Xq表示特征向量矩陣X中第p個與第q個樣本的特征向量； 步驟S22、構(gòu)建一個多通道和多連通的圖卷積神經(jīng)網(wǎng)絡(luò)模型，即改進的GCN模型，所述改進的GCN模型使用多個獨立的圖卷積層gc1、gc2和gc4對每個通道進行特征提取，各通道特征融合后連接一個圖卷積層gc5，輸出層連接一個分類器；在前向傳播網(wǎng)絡(luò)中添加一層圖卷積層gc3，用于從不同尺度提取邊際譜信息，增加gc4層節(jié)點特征的多樣性；最后采用交叉熵損失函數(shù)計算損失值，并使用Adam優(yōu)化器更新模型參數(shù)；GCN前向傳播如式13-式18所示： 模型輸入層： H1＝σ[D-12A+ID-12XW1]2 模型隱藏層： H2＝σ[D-12A+ID-12H1W2+XW3]3 H4＝σ[D-12A+ID-12H2W4]4 各通道特征融合層： H5＝[H14,H24,...,Hh4]5 模型輸出層： y＝[D-12A+ID-12H5W56 lg_softmax分類： 式中，A+I為加自環(huán)的鄰接矩陣；I為單位矩陣；D是A+I所對應(yīng)度矩陣；Wl表示第l層的權(quán)重；H5是各通道特征融合的特征；h表示通道數(shù)；σ.表示激活函數(shù)，ReLU.＝max0,.；y＝[y1,y2,...,yn]為輸出層特征，維度等于類別數(shù)n；Y＝[Y1,Y2,…,Yn]為分類器輸出概率值； 基于得到的最優(yōu)診斷模型，采用兩級分類法對待識別對象進行故障識別：第一級分類，利用最優(yōu)診斷模型的最后一級輸出結(jié)果計算峰值因子，若超出閾值，則判斷為未知類型故障，否則進行第二級分類；在第二級分類中，使用lg_softmax識別具體的故障；具體包括以下步驟： 步驟S41、使用S3獲得的最優(yōu)診斷模型，計算已知類型故障樣本經(jīng)最優(yōu)模型輸出特征向量的峰值因子，并設(shè)定峰值因子的上下限； 步驟S42、在對每個未知故障樣本測試時，利用最優(yōu)診斷模型獲得最后一層輸出特征向量y,并計算其峰值因子f； 步驟S43、在第一級分類中，判斷步驟S42中獲得的峰值因子f是否在已知類型故障峰值因子的上下限范圍內(nèi)，若不在，則標識為未知類型故障；反之則進入第二級分類； 步驟S44、在第二級分類中，對模型最后一層輸出特征向量y計算lg_softmax，確定具體的故障類別。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人福州大學(xué)，其通訊地址為：350108 福建省福州市閩侯縣福州大學(xué)城烏龍江北大道2號福州大學(xué)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。