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！

龙图腾网获悉西安交通大学申请的专利航空航天重大产品制造装备的全生命周期自适应故障诊断方法、系统、设备及介质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：CN117034003B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202310790923.0，技术领域涉及：G06F18/214；该发明授权航空航天重大产品制造装备的全生命周期自适应故障诊断方法、系统、设备及介质是由张东升;王雪松;张政;白伟;邹澳;杨林设计研发完成，并于2023-06-30向国家知识产权局提交的专利申请。

本航空航天重大产品制造装备的全生命周期自适应故障诊断方法、系统、设备及介质在说明书摘要公布了：航空航天重大产品制造装备的全生命周期自适应故障诊断方法、系统、设备及介质，针对大量带有标签的航空航天重大产品制造装备故障数据作为训练集进行训练，以初步确定该基于深度学习的故障诊断系统的模型参数；随后建立时序数据异常检测系统，经时序数据异常检测系统筛选出的异常数据，通过基于深度学习的故障诊断系统判断该异常数据为何种故障并将针对该数据更新深度神经网络参数；其系统、设备及介质能够基于所述故障诊断方法对航空航天重大产品制造装备进行全生命周期自适应故障诊断，极大的防止了由于生产装备长时间使用后导致的故障诊断模型失效问题，提高了故障诊断系统的准确性和通用性。

本发明授权航空航天重大产品制造装备的全生命周期自适应故障诊断方法、系统、设备及介质在权利要求书中公布了：1.一种航空航天重大产品制造装备的全生命周期自适应故障诊断方法，其特征在于，具体包括以下步骤： 步骤1.初步建立基于深度学习的故障诊断系统：针对大量带有标签的航空航天重大产品制造装备故障数据作为训练集进行训练，以初步确定该基于深度学习的故障诊断系统的模型参数，建立EMD-SDP特征融合的卷积神经网络CNN故障诊断模型； 1.1通过EMD分解对原始振动信号进行平稳化处理，从而自适应提取不同时间尺度的局部特征信号： 1.2利用SDP分析方法进行模态分量的特征信息融合，以获得振动信号下的SDP特征图像； 1.3将步骤1.2中的SDP图像作为卷积神经网络模型CNN的输入以实现数据驱动下的特征学习，实现振动信号自适应特征提取与故障类型的分类识别； CNN通过设置多级特征滤波器对输入图像执行反复卷积与池化运算，达到数据特征自动提取和降维的目的，得到具有旋转和平移不变性的数据特征； 1.3.1卷积层通过卷积核权重共享提取局部区域的特征矩阵： 式中：Mj为输入数据集合；l为网络第l层；为第l-1层中第i个特征向量的激活函数值；为第l层中第j个特征向量和第l-1层第i个特征向量的卷积核向量；*为卷积运算符；为第l层中第j个特征向量的偏差；f1·为卷积层的激活函数，使用S型函数或ReLU函数； 1.3.2添加池化层以减小式9所得特征矩阵，减少网络参数数量，通过对特征矩阵执行提取局部极值操作，减少网络参数数量的同时获得具有位移不变性的特征矩阵，池化运算过程如下： 式中：down·为下采样函数；为连接权重；——表示该层的偏差；f2·为池化层的激活函数； 1.3.3在CNN模型添加与故障类别数量相同的神经元作为全连接输出层： O＝f3bo+ωofv11 式中：bo为偏差向量；ωo为权值矩阵；fv为特征向量；f3·为全连接层的激活函数； 1.3.4对步骤1.3.3所得CNN模型进行模型训练； 步骤2.根据步骤1建立的EMD-SDP特征融合的卷积神经网络CNN故障诊断模型，搭建改进的自编码器网络，将步骤1.3中获得的具有位移不变性的特征矩阵记为X输入到编码器中，在编码器中进行卷积运算后输出到一个注意力机制模型中，采用时间注意力机制自适应地选择与当前步长相关的步长；在解码器中进行反卷积运算，输出X的重构特征矩阵X1，得到改进的自编码器模型；进而建立时序数据异常检测系统，检测航空航天重大产品制造装备运行过程中的异常数据序列； 步骤3.通过步骤2建立的时序数据异常检测系统对待测的航空航天重大产品制造装备生产过程数据进行判断是否有异常，对判断异常的数据，通过步骤1建立的基于深度学习的故障诊断系统进行故障诊断。

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西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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”。