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！

龙图腾网获悉太原科技大学申请的专利一种基于时空特征提取的刀具无监督异常检测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：CN117272008B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202311212762.3，技术领域涉及：G06F18/21；该发明授权一种基于时空特征提取的刀具无监督异常检测方法是由赵志诚;邵绪凤;聂晓音;王健安;谢刚;王银设计研发完成，并于2023-09-20向国家知识产权局提交的专利申请。

本一种基于时空特征提取的刀具无监督异常检测方法在说明书摘要公布了：本发明涉及刀具无监督异常检测方法，具体是一种基于时空特征提取的刀具无监督异常检测方法，该方法是采用如下步骤实现的：步骤一：利用加速度传感器采集刀具振动数据，并将刀具振动数据进行归一化，由此形成数据集；步骤二：构建自编码器网络以及损失函数，并将训练数据集输入到自编码器网络中，然后利用优化算法调整整个网络的参数，使得损失函数达到最小，由此完成自编码器网络的训练；训练结束后，由损失函数确定划分正常样本和异常样本的阈值；步骤三：将测试数据集输入到训练好的自编码器网络中，由此输出检测结果。本发明有效解决了现有刀具无监督异常检测方法检测精度低的问题，适用于刀具的无监督异常检测。

本发明授权一种基于时空特征提取的刀具无监督异常检测方法在权利要求书中公布了：1.一种基于时空特征提取的刀具无监督异常检测方法，其特征在于：该方法是采用如下步骤实现的： 步骤一：利用加速度传感器采集刀具振动数据，并将刀具振动数据进行归一化，由此形成数据集；所述数据集表示为： ； ； ； ； ； ； ； 式中：表示数据集中的第个数据样本；表示数据集中的数据样本个数；表示刀具振动数据的长度；表示单个数据样本中采样点的数量，且；表示维时间序列，中的3表示加速度传感器的数量；、、分别表示、、的归一化值；、、分别表示轴、轴、轴方向上的刀具振动数据；和分别表示刀具振动数据的最大值和最小值； 数据集中包含有不同磨损程度的数据样本，将磨损程度小于0.1mm的数据样本定义为正常样本，将磨损程度大于等于0.1mm的数据样本定义为异常样本； 随机选取1200个正常样本作为训练数据集，随机选取1200个正常样本和1400个异常样本作为测试数据集； 步骤二：构建自编码器网络以及损失函数，并将训练数据集输入到自编码器网络中，然后利用优化算法调整整个网络的参数，使得损失函数达到最小，由此完成自编码器网络的训练；训练结束后，由损失函数确定划分正常样本和异常样本的阈值； 所述自编码器网络包含五部分：输入层、编码模块、潜在空间、解码模块、输出层； 所述输入层接收训练数据集中的数据样本； 所述编码模块包括时间卷积网络、卷积层、池化层、全连接层； 所述时间卷积网络包括第一层扩张因果卷积C1、第一个权值归一化层N1、第二层扩张因果卷积C2、第二个权值归一化层N2； 所述第一层扩张因果卷积C1对训练数据集中的数据样本进行时间特征和空间特征的同步提取； 所述第一个权值归一化层N1对第一层扩张因果卷积C1的输出进行权重参数归一化，以加快网络的训练速度； 所述第二层扩张因果卷积C2对第一个权值归一化层N1的输出进行时间特征和空间特征的同步提取； 所述第二个权值归一化层N2对第二层扩张因果卷积C2的输出进行权重参数归一化，以进一步加快网络的训练速度； 所述卷积层对时间卷积网络的输出进行空间特征的进一步提取； 所述池化层对卷积层的输出进行特征维数的降低； 所述全连接层对池化层的输出进行多维向量一维化； 所述潜在空间对编码模块的输出进行潜在变量的构造； 所述解码模块包括两个级联的全连接层和反卷积操作； 所述两个级联的全连接层对潜在空间的输出潜在变量进行升维； 所述反卷积操作对全连接层的输出进行变分网络重构； 所述输出层接收变分网络重构后的数据样本； 步骤三：将测试数据集输入到训练好的自编码器网络中，由此输出检测结果。

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太原科技大学，其通讯地址为：030024 山西省太原市万柏林区窊流路66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”。