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！

龙图腾网获悉华中科技大学申请的专利一种旋转机械故障判别方法、计算机设备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：CN115293192B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202210706797.1，技术领域涉及：G06F18/241；该发明授权一种旋转机械故障判别方法、计算机设备及存储介质是由杨涛;张家盛;胡迪;张颖;谭亲雄设计研发完成，并于2022-06-21向国家知识产权局提交的专利申请。

本一种旋转机械故障判别方法、计算机设备及存储介质在说明书摘要公布了：本发明属于旋转机械故障诊断技术领域，公开了一种旋转机械故障判别方法、计算机设备及存储介质，所述基于时序深度融合网络的旋转机械故障判别方法包括采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理，得到所述振动信号对应的处理结果，并采用训练好的卷积神经网络对所述处理结果中的故障特征进行分析，得到所述旋转机械的故障信息。本发明采用训练好的卷积神经网络对其中的故障特征进行分析，进而得到所述旋转机械的故障诊断，有助于实现旋转机械实时智能的故障诊断。

本发明授权一种旋转机械故障判别方法、计算机设备及存储介质在权利要求书中公布了：1.一种基于时序深度融合网络的旋转机械故障判别方法，其特征在于，所述基于时序深度融合网络的旋转机械故障判别方法包括： 采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理，得到所述振动信号对应的处理结果，并采用训练好的卷积神经网络对所述处理结果中的故障特征进行分析，得到所述旋转机械的故障信息； 所述采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理具体包括： 按照预先训练过的时序深度融合网络模型的输入形式，对采集到的振动信号进行小波变换，并将信息矩阵进行组合，获得振动信号的短时间-时频域信息矩阵； 按照预先训练过的时序深度融合网络模型的输入形式，将采集到的振动信号进行短时傅里叶变换，将特征频率的幅值相位提取出来，并用滑动平移的办法得到时序变化信息向量； 所述获得振动信号的短时间-时频域信息矩阵具体步骤包括： 将振动信号截取信号长度为2n的一维数组，n为大于等于6的正整数； 将一维数组进行小波变换，提取频率为转速的8倍频以内的振动信号；将所述一维数组拓展为2k×2n大小的矩阵，作为振动信号的短时信息矩阵Fx，k为大于等于3的正整数； 所述获得振动信号的时序变化信息向量具体步骤包括： 将振动信号按时序依次截取为2k个长度为2n的行向量，分别记为；k为大于等于3的正整数，n为大于等于6的正整数； 对这2k个向量做傅里叶变换，得到频率的振动信号； 提取特征频率的振动信号的幅值和相位，得到两个长度为2k的时序向量； 再采用滑动平移方法得到2n个时序向量； 所述卷积神经网络包括：深度块、时序块和融合块； 所述深度块中包括：第一卷积层、第一池化层、第二卷积层、第二池化层、展开层、全连接层； 时序块中包括输入层、时序卷积层、全连接层； 融合层包括全连接层和分类器； 其中第一卷积层将原始的三维矩阵进行矩阵卷积操作，提取不同卷积核维度下的矩阵数值特征，得到第一特征矩阵，将特征传递到第一池化层；第一池化层将第一特征矩阵进行池化运算处理，减小特征矩阵的尺度，得到第二特征矩阵，将其传递到第二卷积层；第二卷积层将第二特征矩阵进行第二次矩阵卷积操作，再次提取不同卷积核维度下的矩阵特征数值特征，得到第三特征矩阵；第二池化层同理，对第三特征矩阵进行池化运算，再次减小特征矩阵尺度，得到第四特征矩阵；展开层将第四特征矩阵的每个值展开操作，将其变成一个一维长向量；全连接层将此一维长向量连接输入到融合层。

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华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037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。