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！

龙图腾网恭喜同济大学申请的专利一种基于深度学习与格拉姆角场图像的能源系统故障诊断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：CN115187832B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202210731437.7，技术领域涉及：G06V10/774；该发明授权一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法是由阮应君;郑铭桦;裴迪;钱凡悦设计研发完成，并于2022-06-24向国家知识产权局提交的专利申请。

本一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法在说明书摘要公布了：本发明涉及一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法，该方法依据能源系统各工况下的历史运行数据，将多项运行参数的一维时间序列转换为二维的GAF图像，建立起图像样本集；在此基础上，利用深度学习中的生成式网络对故障图像样本进行样本扩充，平衡样本集；依据平衡后的图像样本集离线训练基于深度学习的故障诊断模型，对实际运行数据的GAF图像进行分类，实现对能源系统的在线故障诊断。与现有技术相比，本发明具有，保障能源系统的供能可靠性与设备安全性，具有较高诊断精度等优点。

本发明授权一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法在权利要求书中公布了：1.一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法，其特征在于，包括下列步骤：1）采集能源系统各种工况下的历史运行数据，并对历史运行数据进行预处理；2）采用最大相关最小冗余技术进行特征选择，筛选出十个系统参数作为输入特征；3）将输入特征的一维时间序列转换为二维的GAF图像，并根据时间序列所处的系统运行工况，为二维的GAF图像附上对应的标签，建立GAF图像样本集；4）搭建深度学习中的生成式网络，利用步骤3）所建立的GAF图像样本集中的故障样本进行模型训练；5）向生成式网络输入噪声与附加条件，生成各类型故障样本，实现样本扩充，平衡GAF图形样本集；6）搭建基于深度学习的故障诊断模型，利用步骤5）平衡后的GAF图像样本集对模型进行训练，获取图像所属的故障类型；7）向训练好的故障诊断模型输入实际运行数据所转换得到的GAF图像，输出图像所属运行工况，实现在线故障诊断；步骤2）的具体步骤包括：21）采用互信息度量获取特征与故障之间的非线性相关性；22）获取特征子集与故障标签相关性的度量；23）确定特征子集的冗余性度量；24）根据特征与故障标签的互信息值，对所有特征进行降序排列，确定初始特征子集，向前选择新的特征加入特征子集；25）对所有特征进行mRMR计算后，得到新的特征排序，选取前十个特征作为输入特征进行后续工作；步骤3）中，建立GAF图像样本集的具体步骤包括：31）设置时间窗口尺寸与窗口滑动步长，对附上对应的标签的二维的GAF图像截取多段输入特征的时间序列，获取多个数据样本；32）针对一个数据样本，将各输入特征的时间序列首尾相连拼接成一维序列；33）将步骤32）所构成的一维序列进行极坐标变换；34）通过类格拉姆角场矩阵，将映射到极坐标系的一维序列转换成二维的GAF图像；在步骤4）中，所述生成式网络为深度学习中生成对抗网络，深度学习中生成对抗网络模型包括用于生成图像的生成网络与用于判断图像真假的判别网络，在深度学习中生成对抗网络模型的训练过程中，令生成网络与判别网络相互博弈学习以达到纳什平衡；在深度学习中生成对抗网络模型的训练过程中，利用瓦瑟斯坦距离表征真实故障样本分布与生成故障样本分布之间的差距，并作为生成网络与判别网络的损失函数，在判别网络的损失函数中添加一项梯度惩罚项构成WGAN-GP模型；在深度学习中生成对抗网络模型的训练过程中，通过在WGAN-GP模型的基础上添加图像标签进行训练，使生成网络按照输入标签值生成相对应故障样本，最终构成用于故障样本生成的CWGAN-GP模型；其中CWGAN-GP模型中生成网络与判别网络的损失函数为： ，式中，为附加条件值，即图像标签；分别为判别网络与生成网络的损失函数；分别为真实分布与生成分布的样本；分别为真实样本分布与生成样本分布。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239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”。