CN120297410A 基于多源数据与知识检索增强的风电故障诊断运维方法 （西南交通大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120297410A(43)申请公布日2025.07.11

(21)申请号202510362045.1

(22)申请日2025.03.26

(71)申请人西南交通大学

地址611700四川省成都市郫都区犀安路

999号

(72)发明人由智超张沛佚高宏力滕飞李天瑞

GO6F

GO6F

GO6F

GO6F

GO6Q

GO6Q

16/3329(2025.01)

16/3332(2025.01)16/901(2019.01)

16/9032(2019.01)

10/20(2023.01)

50/06(2024.01)

(74)专利代理机构成都其知创新专利代理事务

所(普通合伙)51326专利代理师陈沿桦

(51)Int.CI.

GO6N5/04(2023.01)

F03D17/00(2016.01)

GO6N5/025(2023.01)

GO6N3/045(2023.01)

权利要求书3页说明书7页附图6页

(54)发明名称

基于多源数据与知识检索增强的风电故障诊断运维方法

(57)摘要

CN120297410A本发明公开了基于多源数据与知识检索增强的风电故障诊断运维方法，包括以下步骤：S1、多模态数据采集与预处理；S2、知识库构建，进行知识抽取，构建对应的风电机组运维知识图谱数据库；S3、多粒度问题分解与检索优化，结合疑惑度与依存解析深度分级拆分问题，生成子问题列表；S4、知识检索增强生成，结合知识图谱子图检索与SCADA实时数据动态权重调整，生成最终答案；S5、结果生成与反馈优化，并通过实时验证机制验证诊断结果的有效性。本发明能够在有限的

CN120297410A

多模态数据采集与预处理

知识库构建

多粒度问题分解与检索优化

知识检索增强生成

结果生成与反馈优化

CN120297410A权利要求书1/3页

2

1.基于多源数据与知识检索增强的风电故障诊断运维方法，其特征在于，包括以下步

骤：

S1、多模态数据采集与预处理，收集风电机组故障诊断数据，并对数据进行预处理；

S2、知识库构建，对预处理后的数据进行知识抽取，构建对应的风电机组运维知识图谱数据库；

S3、多粒度问题分解与检索优化，通过大模型对用户查询进行复杂性评估，结合疑惑度与依存解析深度分级拆分问题，生成子问题列表；

S4、知识检索增强生成，基于子问题列表进行SPO三元组实体识别，结合知识图谱子图检索与SCADA实时数据动态权重调整，生成最终答案；

S5、结果生成与反馈优化，将最终答案交由大模型进行处理，实现诊断结果的规范化输出，结合反馈闭环机制进行反馈优化，并通过实时验证机制验证诊断结果的有效性。

2.根据权利要求1所述的基于多源数据与知识检索增强的风电故障诊断运维方法，其特征在于，所述S1包括以下步骤：

S11、将风电机组的故障诊断数据划分为结构化数据和非结构化数据；

所述结构化数据包括传感器时序数据、SCADA系统日志、设备参数表、故障代码库、工单记录，具有明确的字段定义和数值特征；

所述非结构化数据包括运维手册、专家诊断报告、维修工单文本描述、故障案例PDF文档、语音工单录音，需进行深度语义解析；

S12、多模态数据预处理，采用基于语义分割的滑动窗口算法，结合Sentence-BERT模型计算段落相似度，确保上下文连贯性，对不同类型的数据进行不同的文字提取处理，提取出文本后，对文本进行分块切割；

S13、实时接入SCADA系统多源数据流，包括传感器时序数据设备状态码以及报警日志，通过时间序列分析算法对数据进行实时清洗、对齐与特征提取，生成动态数据块并存入缓存队列。

3.根据权利要求2所述的基于多源数据与知识检索增强的风电故障诊断运维方法，其特征在于，所述S2包括以下步骤：

S21、构建风电机组运维领域的关联约束体系，定义包括风电机组运维领域核心实体类型及关系类型的关联约束条件；

S22、利用本地部署的风电运维大模型对自然语言的处理能力，以及预先构建的私域知识Schema,对分块后的文本按照Schema的提示词进行知识抽取，包括命名实体提取、关系提取，构建子图与文本块之间的索引关系；

S23、利用BGE-M3和Sentence-BERT对抽取的