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！

龙图腾网获悉长沙理工大学申请的专利一种基于图同构网络与跨图关系学习的电机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：CN120104975B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202510221445.0，技术领域涉及：G06F18/10；该发明授权一种基于图同构网络与跨图关系学习的电机故障诊断方法是由何知义;曾雨婷;徐晓强;胡宏伟;王向红设计研发完成，并于2025-02-27向国家知识产权局提交的专利申请。

本一种基于图同构网络与跨图关系学习的电机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图同构网络与跨图关系学习的电机故障诊断方法，包括以下步骤：首先，获取电机在不同健康状态下的多源信号后归一化，并建立原始信号图样本集；其次，利用电机不同健康状态下的图样本对模型进行训练，通过多头自注意力机制和前馈网络捕捉跨图样本之间的关系特征，并结合知识蒸馏技术得到优化后的多层图同构网络的级联结构；最后，利用训练好的模型对待诊断样本进行测试，最后输出诊断结果。本发明通过融合多传感器信号、提取跨图关系特征以及新的动态训练反馈策略增强了抗噪性，显著提升了电机故障诊断的精度和鲁棒性。实验结果表明，本发明提出的方法在故障诊断准确率和鲁棒性上均优于目前主流的故障诊断方法。

本发明授权一种基于图同构网络与跨图关系学习的电机故障诊断方法在权利要求书中公布了：1.一种基于图同构网络与跨图关系学习的电机故障诊断方法，其特征在于，包括以下步骤： 步骤1：获取电机在不同健康状态下的多源信号，并建立原始信号样本集； 步骤2：数据预处理，对采集到的多源信号进行归一化后，以传感器作为节点，计算不同传感器的之间的余弦相似度作为边，构建不同故障类别的图样本； 步骤3：在训练阶段，用不同故障类别图样本中的训练样本对多层图同构网络模型进行训练，并不断优化参数； 步骤4：在测试阶段，将不同故障类别图样本中的测试样本输入训练后的多层图同构网络模型，输出样本故障的概率分布，获取概率最大的故障类别为预测的样本标签； 步骤5：输出诊断结果； 构建不同故障类别的图样本的步骤如下： 在一个图样本内，每个传感器被映射为图中的一个节点，节点的初始特征由该传感器在固定时段内采集的时域信号数据构成，假设电机中共部署了N个传感器，每个传感器在时段T内采集M个数据点，则第i个传感器的特征向量可表示为： ； 其中，为第i个传感器在第k个时间点的采样值； 为了刻画传感器之间的相关性，采用余弦相似度作为边权重的度量指标； 对于任意两个传感器i和j，其边权重的计算公式如下： ； 其中，元素表示传感器i和j之间的边权重，等式右边分子部分表示两个特征向量的点积，分母部分为两个向量的模长乘积； 基于上述节点和边的定义，构建不同故障类别的图样本： ； 其中，V为节点集合，表示所有传感器，E为边集合，表示传感器之间的连接关系，X为节点特征矩阵，每一行对应一个传感器的特征向量，W为边权重矩阵； 所述步骤3中，不断优化参数，具体过程包括如下步骤： 通过两个分类器和构建反馈环机制，来自关系特征提取器的关系特征被提取并传送到多层图同构网络的级联结构以建立动态反馈回路，损失函数如下： ； 其中，是来自和带有标签图样本的交叉熵损失，为交叉熵损失函数的系数，为散度损失函数的系数； 是一个Kullback-Leibler散度损失，用于衡量基于原始图表示和包含了关系特征图表示的预测概率分布之间的差异，公式如下： ； 其中，是Kullback-Leibler散度，，是所预测的概率分布，，是所预测的概率分布，是蒸馏的温度参数； 是特征相似度损失函数，通过减少原始图表示和关系感知表示之间的L2距离，让这两个嵌入更加相似，来引导多层图同构网络的级联结构理解关系特征提取器的特征表示，公式如下： ； 通过所设计的结合关系特征提取的动态反馈回路的损失函数以对多层图同构网络的级联结构不断优化参数。

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长沙理工大学，其通讯地址为：410114 湖南省长沙市天心区赤岭路45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”。