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！

龙图腾网获悉大连大学申请的专利一种基于一维注意力机制和卷积神经网络的旋转机械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：CN115638965B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202211100667.X，技术领域涉及：G01M13/00；该发明授权一种基于一维注意力机制和卷积神经网络的旋转机械故障诊断方法是由关乐;王鑫阳;张天琦;王珍;张志新设计研发完成，并于2022-09-09向国家知识产权局提交的专利申请。

本一种基于一维注意力机制和卷积神经网络的旋转机械故障诊断方法在说明书摘要公布了：本发明公开了一种基于一维注意力机制和卷积神经网络的旋转机械故障诊断方法，包括对旋转机械运转时的原始波形数据进行采集，得到原始振动数据；对原始数据进行数据集扩充；建立包含一维通道和时间注意力机制的新型一维卷积神经网络模型。在本发明的网络模型中，单通道数据可经过一维卷积形成多通道特征图，然后合理的改变各通道权重，进而使得一维通道注意力机制能够自适应的提升网络对于不同通道的敏感程度，从而优化网络性能；且将通道注意力机制和时间注意力机制混合使用，能够大幅提升诊断准确率和训练速度。本发明独创智能诊断模型，通过注意力机制提升网络性能使其更适用于故障诊断任务，实现了智能故障识别。

本发明授权一种基于一维注意力机制和卷积神经网络的旋转机械故障诊断方法在权利要求书中公布了：1.一种基于一维注意力机制和卷积神经网络的旋转机械故障诊断方法，其特征在于，包括： 采集旋转机械运行时的振动信号； 对所述振动信号进行重叠切片以扩充数据集； 从扩充后的振动信号中提取振动特征； 将所述振动特征输入深度神经网络模型进行训练，得到智能诊断模型； 使用所述智能诊断模型进行旋转机械故障诊断； 将所述振动特征输入深度神经网络模型进行训练，具体为：将振动特征输入深度神经网络模型内的一维卷积层a，该层输入通道数为1，输出通道数为128，核大小为64，步长为4，激活函数为ReLU，并加入批次标准化层； 一维卷积被描述为： 其中与分别表示第l层i个卷积核中各个神经元的权重与偏置，σ表示激活函数，xlj表示第l层第j个神经元的输入，表示卷积操作； 所述激活函数ReLU即线性整流单元，其表达为： 所述批次标准化被描述为： 其中μ表示样本均值，σ表示样本方差；γ为“拉伸参数”，β为“偏移参数”，γ和β是参与训练的参数；所述批次标准化层位于激活函数之前； 经过一维卷积层a处理得到的特征图输入最大池化层a，该层中池化核大小为3，池化步长为2； 最大池化被表示为： 其中p表示池化输出，n表示池化起始位置，k表示池化核大小，zi表示第i个神经元的输入； 经过最大池化层a处理得到的特征图输入一维卷积层b，该层输入通道数为128，输出通道数为64，核大小为3，步长为2，激活函数为ReLU函数，并加入批次标准化层； 经过一维卷积层b处理得到的特征图输入最大池化层b，该层池化核大小为3，池化步长为2； 经过最大池化层b处理得到的特征图输入一维卷积层c，该层输入通道数为64，输出通道数为32，核大小为3，步长为2，激活函数为ReLU函数； 经过一维卷积层c处理得到的特征图输入最大池化层c，该层池化核大小为3，池化步长为2； 经过最大池化层c处理得到的特征图输入通道注意力模块，调整各通道权重； 调整通道权重后的特征图输入时间注意力模块，调整时间权重； 将调整时间权重后的特征图进行展平； 展平后的特征图输入全连接层a，所述全连接层a输出通道为1024，激活函数为ReLU函数，对该层使用Dropout技术抑制过拟合； 经过全连接层a处理得到的特征图输入全连接层b，所述全连接层b输出通道为512，激活函数为ReLU函数，对本层使用Dropout技术抑制过拟合； 经过全连接层b处理得到的特征图输入全连接层c，所述全连接层c输出通道为故障种类数； 使用交叉熵损失函数评估估计概率分布和实际概率分布的误差，然后使用SGD算法优化所述误差，不断循环训练步骤，直到该误差小于设定值，保存权重文件，得到智能诊断模型； 所述通道注意力模块内具体实施步骤为： 将输入通道注意力模块的特征图进行全局最大池化； 然后通过全连接层使通道数缩小至14，对缩小后的特征图输入激活函数ReLU； 再通过另一全连接层使通道数还原，采用sigmoid函数将权值维持在0，1之间； 将各通道权值与输入信号各通道相乘，得到通道注意力模块的输出； 所述时间注意力模块内具体实施步骤为： 将输入时间注意力模块的特征图的通道维度进行全局最大池化和全局平均池化； 全局最大池化后的特征图与全局平均池化后的特征图按列拼接； 对拼接的特征图进行一维卷积操作，得到时间权重； 使用sigmoid激活函数将所述时间权重归一化处理； 将输入的特征图与归一化后的时间权重相乘，得到时间注意力模块输出。

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大连大学，其通讯地址为：116622 辽宁省大连市经济技术开发区学府大街10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”。

以上内容由龙图腾AI智能生成。