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！

龙图腾网获悉东北林业大学申请的专利一种基于CNN特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储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：CN116702076B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202310596134.3，技术领域涉及：G06F18/2433；该发明授权一种基于CNN特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质是由于迪;傅海越;解志杰;詹昊;吕景亮设计研发完成，并于2023-05-25向国家知识产权局提交的专利申请。

本一种基于CNN特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质在说明书摘要公布了：一种基于CNN特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质，涉及旋转机械故障诊断领域。解决现有深度学习方法不能有效处理小样本，难以用于滚动轴承的故障诊断。方法包括：采集滚动轴承原始工况及目标工况下的振动信号，并对所述信号进行分割，构建源域样本数据集和目标域样本数据集；提取信号的时频特征，构建时频图像数据集；构建特征融合的CNN模型；将原始振动信号和对应的时频图像进行归一化处理并利用源域数据进行CNN模型训练，获取CNN训练模型；根据目标域中部分样本调整CNN训练模型，获取CNN故障诊断微调模型；采用所述微调模型诊断目标域剩余样本，获取故障诊断结果。应用于滚动轴承的智能检测领域。

本发明授权一种基于CNN特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质在权利要求书中公布了：1.一种基于CNN特征融合的小样本迁移学习故障诊断方法，其特征在于，所述方法包括： S1：采集滚动轴承原始工况以及目标工况下的振动信号，并对原始振动信号进行分割，根据所述分割后的信号构建源域样本数据集和目标域样本数据集； S2：提取所述原始振动信号的时频特征，构建时频图像数据集； S3：根据所述原始振动信号和时频图像数据集构建特征融合的CNN模型； S4：将所述原始振动信号和对应的时频图像进行归一化处理，根据所述归一化后的源域数据进行CNN模型训练，获取CNN训练模型； S5：根据所述目标域样本数据集中部分样本调整CNN训练模型，获取CNN故障诊断微调模型； S6：采用所述CNN故障诊断微调模型诊断所述目标域剩余样本，获取轴承故障诊断结果； 所述特征融合的CNN模型包括： 采用标准卷积模块的ConvNeXt网络，提取所述时频图像数据集的特征，其中，ConvNeXt网络的输入特征大小为224×224，输出特征尺寸为768×1； 构建结合ECA-Net的1D-CNN网络结构，对原始振动信号进行特征提取，其中，所述1D-CNN网络结构的输入的原始振动信号长度为1024，输出特征尺寸为96×1； 将所提取到时频图像特征和原始振动信号特征进行融合，获取特征融合的CNN模型； 所述1D-CNN网络结构具体为： 所述1D-CNN网络由4个卷积层组成，每个卷积层中的卷积核数量分别为256、128、64和32，其中，第一个卷积层的卷积核大小为64，其余为3，步长均为1； 在每个卷积层之后，均有一个最大池化层，其池化核大小为4×1，池化移动步长为4；并且卷积层和池化层均不进行填充操作；在最后两个卷积层后增加ECA-Net模块，此外，在每个卷积层后使用的非线性激活函数是缩放指数线性单元SeLu； 在ConvNeXt网络和结合ECA-Net的1D-CNN网络结构形成的整体网络的末端，添加两个全连接层，分别有96和10个神经元； 分类层使用Softmax。

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东北林业大学，其通讯地址为：150040 黑龙江省哈尔滨市香坊区和兴路26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。