CN120277594A 基于多模态的电力设备健康状态监测方法 （中铁建设集团有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120277594A(43)申请公布日2025.07.08

(21)申请号202510774410.X

(22)申请日2025.06.11

(71)申请人中铁建设集团有限公司

地址100040北京市石景山区石景山路20

号

申请人中铁建设集团机电安装有限公司

(72)发明人谭学彪汪诗超杜喜军江期洪

刘杰申光申史华李少波

赵风轩曹鹏鹏吴少儒何成刘勇王炎波李涛涛

(74)专利代理机构深圳市海盛达知识产权代理

事务所(普通合伙)44540专利代理师林钦栋

(51)Int.CI.

GO6F18/2433(2023.01)

GO6N5/022(2023.01)

GO6N5/045(2023.01)

GO6N3/0455(2023.01)

GO6N3/042(2023.01)GO6F18/25(2023.01)

GO6N3/084(2023.01)

GO6N3/096(2023.01)

权利要求书2页说明书12页附图1页

(54)发明名称

基于多模态的电力设备健康状态监测方法

(57)摘要

CN120277594A本发明公开了基于多模态的电力设备健康状态监测方法，涉及电力设备检测技术领域，电力设备监测方法基于多模态数据与知识图谱融合，通过采集油中色谱、温度、电流、振动等传感数据，实施交叉校验及专家规则清洗与标签校正，输出高可信度数据；采用自编码器降维融合并基于设备拓扑构建图模型，利用图神经网络实现早期异常检测，生成异常告警；依托故障机理知识图谱进行机理匹配与一致性评估，输出可解释诊断；当诊断结果与实际运维结论显著偏差时，触发在线增量与迁移学习更新模型并扩充知识图谱，形成闭环自学习机制。本方法显著提高

CN120277594A

检测到多模态数据含噪量或标注失衡时，修正

检测到多模态数据含噪量或标注失衡时，修正故障标签并剔除异常值，产出经清洗与校正的高可信度多模态数据

在获取高可信度多模态数据后，结合自编码器降维矩阵与图神经网络邻接矩阵，

透过多层映射函数对高可信度多模态数据进行去噪融合，并借助异常评分检测早

期故障征兆，输出期异常告警与特征描述

接收早期告警与特征描述并发现与故障类型匹配冲突时，利用知识图谱及机理匹

配函数对特征描述进行机理定位，输出可解释诊断结果及一致性评估结果，并标

记新故障节点

若可解释诊断结果与实际运维结论产生显著差异，依据差异度及增量学习率修正模型并融合关系权重，动态更新知识图谱与多模态数据，形成自学习闭环

CN120277594A权利要求书1/2页

2

1.基于多模态的电力设备健康状态监测方法，其特征在于：包括，

检测到多模态数据含噪量或标注失衡时，修正故障标签并剔除异常值，产出经清洗与校正的高可信度多模态数据；

在获取高可信度多模态数据后，结合自编码器降维矩阵与图神经网络邻接矩阵，透过多层映射函数对高可信度多模态数据进行去噪融合，并借助异常评分检测早期故障征兆，输出期异常告警与特征描述；

接收早期告警与特征描述并发现与故障类型匹配冲突时，利用知识图谱及机理匹配函数对特征描述进行机理定位，输出可解释诊断结果及一致性评估结果，并标记新故障节点；

若可解释诊断结果与实际运维结论产生显著差异，依据差异度及增量学习率修正模型并融合关系权重，动态更新知识图谱与多模态数据，形成自学习闭环。

2.根据权利要求1所述的基于多模态的电力设备健康状态监测方法，其特征在于：

基于传感器读数交叉比对与历史检修报告进行动态标签校正时，利用由历史样本构建的基准分布与可信度系数对可疑数据标签进行二次筛选，以修正漏标或错标并形成高可信度多模态数据。

3.根据权利要求2所述的基于多模态的电力设备健康状态监测方法，其特征在于：

利用小样本学习或合成过采样对稀缺故障数据进行限定性扩增时，结合专家规则约束对过度仿真的故障样本进行过滤，其中：

当标签一致度低于阈值时，判定该记录存在标签异常，在确认后进行适应性调整，将对应数据连同标签存储到高可信度多模态数据集。

4.根据权利要求3所述的基于多模态的电力设备健康状态监测方法，其特征在于：

采用深度自编码器对多维度的传感器数据进行降维与特征融合时，利用编解码网络的隐层参数对各模态特征进行去噪处理，得到样本其在隐层的低维特征向量，汇总后