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！

龙图腾网获悉集美大学申请的专利一种振动信号分析知识驱动的旋转机械零样本智能故障检测方法及装置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：CN120873554B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202511357955.7，技术领域涉及：G06F18/213；该发明授权一种振动信号分析知识驱动的旋转机械零样本智能故障检测方法及装置是由黎国强;钟尚坤;刘启俊;吴德烽;武东杰;游政;涂婉丽设计研发完成，并于2025-09-23向国家知识产权局提交的专利申请。

本一种振动信号分析知识驱动的旋转机械零样本智能故障检测方法及装置在说明书摘要公布了：本发明涉及一种振动信号分析知识驱动的旋转机械零样本智能故障检测方法及装置，包括：采用多指标评价机制对多种时‑频分析方法进行量化评分；基于连续正常状态数据同模态时‑频图谱的相似性以及不同模态时‑频图谱的不相似性，基于相似性对比分析的零故障样本损失函数；构建基于VisionTransformer的高维特征提取器，利用正常状态样本和构建的对比损失函数实现模型训练；计算旋转机械待测状态数据样本与正常状态数据样本之间多种时‑频图谱高维特征的相似性，实现旋转机械待测状态的在线检测。本发明突破了传统数据驱动故障检测方法对故障样本的依赖，利用正常状态样本即可构建旋转机械智能故障检测模型，实现了其故障的高精度检测。

本发明授权一种振动信号分析知识驱动的旋转机械零样本智能故障检测方法及装置在权利要求书中公布了：1.一种振动信号分析知识驱动的旋转机械零样本智能故障检测方法，其特征在于，采用多指标评价机制筛选出多种时-频分析方法并构建时-频分析知识库，对旋转机械正常状态监测信号进行多角度时-频解析，同时基于获得的多模态时-频图谱构造对比损失函数；基于深度神经网络构建高维特征提取器，结合对比损失函数，进行高维特征提取器的零故障样本训练；将待检测旋转机械的实时状态信号通过构建的时-频分析知识库进行时-频解析，接着利用训练好的高维特征提取器进行高维特征提取，与正常状态信号的多种时-频图谱进行对比，进行相似性阈值判断，依据判定结果旋转机械的异常状态； 所述方法，包括如下步骤： 步骤1：收集旋转机械连续正常状态监测信号，通过滑动窗口从中截取样本，作为训练样本； 步骤2：将正常状态样本经过多种时-频分析方法生成多种时-频图谱，利用由PrewittOperator算子、信噪比Signal-to-noiseratio和频段能量FrequencyBandEnergy，三种指标构成的评价机制，对多种时-频图谱进行量化评分，通过排序筛选出多种时-频分析方法，作为旋转机械监测信号的时-频分析知识库； 步骤3：选用相邻滑动窗截取的正常状态样本组成训练样本对，通过时-频分析知识库，输出多种时-频图谱； 步骤4：基于深度神经网络ViT构建高维特征提取器，对多模态时-频图谱进行特征编码，编码器的输入为时-频图谱，输出为高维特征向量； 步骤5：旋转机械连续正常状态监测数据具有强时序特征，由滑动窗截取的相邻样本通过同种时-频变换得到的时-频图谱应具有相似性，由不同时-频变换得到的时-频图谱互异；构造对比矩阵，并基于对比矩阵所代表的含义构建对比损失函数； 步骤6：结合构建基于相似性对比关系的损失函数，利用该损失函数对高维特征提取器进行训练； 步骤7：利用正常状态数据样本作为基准样本，与在线待检测数据组成样本对，通过时-频分析知识库获得时-频图谱，将样本对输入训练完成高维特征提取器进行特征编码，接着将输出的高维特征向量与旋转机械正常状态样本的高维特征进行对比分析，通过相似性阈值比较，实现旋转机械正常状态与异常状态的判别。

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集美大学，其通讯地址为：361021 福建省厦门市集美区银江路185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。