CN120257105A 基于多模态时空特征和集成学习的故障诊断方法及系统 （中国长江电力股份有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120257105A(43)申请公布日2025.07.04

(21)申请号202510359547.9

(22)申请日2025.03.25

GO6F18/25(2023.01)

(71)申请人中国长江电力股份有限公司

地址430014湖北省武汉市江岸区三阳路

88号三阳中心

(72)发明人吕义李冲吕仲明赵雁群

何怡刚段涛李焱峰唐家荣

(74)专利代理机构宜昌市三峡专利事务所

42103

专利代理师黎泽洲

(51)Int.CI.

GO6F18/243(2023.01)

GO6F18/214(2023.01)

GO6F18/213(2023.01)

GO6N3/045(2023.01)

权利要求书4页说明书10页附图2页

(54)发明名称

基于多模态时空特征和集成学习的故障诊断方法及系统

(57)摘要

CN120257105A本发明提供一种基于多模态时空特征和集成学习的故障诊断方法及系统，涉及软体机器人故障诊断技术领域。通过采集多模态时间序列数据，采用滑动窗口的卡尔曼滤波器模型进行预处理后，进行时间和空间特征提取，通过自适应权重策略特征融合后，训练异构决策树模型，再基于置信度的动态加权投票机制，从而获取诊断结果。本实施例通过优化多源传感数据的特征提取与融合机制，结合动态加权集成策略，实现对复杂故障模式的精准识别，提高了诊断准确性，通过时间特征和空间特征提取，提升了模型的鲁棒

CN120257105A

采集软体机器人运行时的多模态时间序列数据，多模态时

采集软体机器人运行时的多模态时间序列数据，多模态时间序列数据包括振动、温度、压力及转矩数据

对多模态时间序列数据进行预处理：采用滑动窗口

的卡尔曼滤波器模型，进行窗口设置、卡尔曼滤波

及窗口调整，从时间和空间特征上划分数据，分别

进行时间和空间特征提取

将提取到的时间特征和空间特征通过设计的自适应

权重策略来实现多特征融合，利用重采样技术生成

多组训练集，分别训练异构决策树模型，获取优化

后的异构决策树模型

基于置信度的动态加权投票机制，集成优化后的异构决策树模型的输出结果，从而获取诊断结果

CN120257105A权利要求书1/4页

2

1.一种基于多模态时空特征和集成学习的故障诊断方法，其特征在于，包括以下步骤：

S1:采集软体机器人运行时的多模态时间序列数据，多模态时间序列数据包括振动、温度、压力及转矩数据；

S2:对多模态时间序列数据进行预处理：采用滑动窗口的卡尔曼滤波器模型，进行窗口设置、卡尔曼滤波及窗口调整，从时间和空间特征上划分数据，分别进行时间和空间特征提取；

S3:将提取到的时间特征和空间特征通过设计的自适应权重策略来实现多特征融合，利用重采样技术生成多组训练集，分别训练异构决策树模型，获取优化后的异构决策树模型；

S4:基于置信度的动态加权投票机制，集成优化后的异构决策树模型的输出结果，从而获取诊断结果。

2.根据权利要求1所述的基于多模态时空特征和集成学习的故障诊断方法，其特征在于，多模态时间序列数据进行预处理之前，还包括对齐各多模态时间序列数据的时间戳，确保数据在同一时间窗口内，对不同量纲的数据进行均值-方差标准化；

所述S2中采用滑动窗口的卡尔曼滤波器模型，进行窗口设置、卡尔曼滤波及窗口调整，

其中：

窗口设置包括：设置窗口大小为N,维护一个队列或环形缓冲区，仅保留最近N个时刻的观测值和状态估计值；当传感器数据突变时，缩小窗口至,提高响应速度；当数据平稳时，恢复窗口至初始大小；

卡尔曼滤波器分为预测与更新两个阶段：

预测阶段公式为：

式中，x为先验状态估计、Uk为控制输入向量，P为先验估计误差协方差、A,B,Q分别为状态转移矩阵、控制输入矩阵、过程噪声协方差；

更新阶段，用先验预估值计算后验状态预估值和其误差协方差，公式为：

式中，Xk为系统状态，Yk为观测值，xk后验状态估计、K为卡尔曼增益，Pk为后验估计误差协方差，Pk为先验估计协方差矩阵，C为观测矩阵，Q为过程噪声协方差，R为观测噪声协方差；

窗口更新阶段，移除窗口最旧数据，加入最新估计值和协方差。

3.根据权利要求1所