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！

龙图腾网获悉西安工程大学申请的专利基于机器学习的纺织机远程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：CN120541634B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202510623376.6，技术领域涉及：G06F18/2413；该发明授权基于机器学习的纺织机远程故障诊断方法是由陈鑫;张家乐;朱耀麟;丁永达;孙馨瑶设计研发完成，并于2025-05-15向国家知识产权局提交的专利申请。

本基于机器学习的纺织机远程故障诊断方法在说明书摘要公布了：针对现有方法难以远程、高效、准确诊断纺织机故障的技术问题，本发明提供了一种基于机器学习的纺织机远程故障诊断方法，使用K邻近模型和加权K邻近模型联合诊断，这两种模型均无需预训练过程，直接存储训练集数据和传感器权重表，通过计算距离便可确定故障类型，具备计算简单、易于实现与维护的特性，且相比常用的DNN，RNN，SVM等算法，需提前标注的数据量急剧减小且无需大量数据训练即可开展工作。同时，当出现新故障类型时，能够直接将其特征数据加入训练集中，实现模型的更新，因此本发明的故障诊断范围和种类易于扩展和更新，可高效实现远程诊断，大幅提升故障诊断效率，为实际应用带来便捷与高效。

本发明授权基于机器学习的纺织机远程故障诊断方法在权利要求书中公布了：1.基于机器学习的纺织机远程故障诊断方法，其特征在于，包括如下步骤： 步骤1：传感器布设； 在纺织机的各关键部位分别布设传感器，包括振动传感器、温度传感器、压力传感器和光电传感器中的一种或多种；并将各传感器编号及其布设点位信息一一对应存储； 步骤2：构建训练集和测试集； 分别在纺织机以健康和故障状态运行时，以设定采样周期采集各传感器数据并添加标签，然后对传感器数据进行清洗、提取特征向量、融合、归一化后得到特征矩阵，再将特征矩阵划分为训练集和测试集； 步骤3：构建K邻近模型和加权K邻近模型，并选取K值； 步骤3.1：构建K邻近模型和加权K邻近模型，公式分别如下： 其中，X是目标样本，在模型构建阶段为测试集中的样本，在故障诊断阶段为实测数据；Yn是训练集中第n个样本，N是训练集中的样本总数；nk为第k种传感器的总数；wks是第k种传感器中的s号传感器的权重，基于各传感器对各故障类型及健康状态的影响程度预先设置各故障类型及健康状态对应的传感器权重组合所构成的传感器权重表确定； 步骤3.2：K邻近模型的K值按照下式求解： 其中，为测试集中第n-1个样本对应的K值；αn为以测试集中第n个样本为中心、基于密度等级划分确定的密度系数；βn为离散系数，基于测试集中第n个样本与距离队列[d1,d2,...,dN]中前M个样本的欧氏距离标准差和离散等级划分确定；距离队列[d1,d2,...,dN]为测试集中各样本与训练集中各样本的加权欧式距离按升序排列得到； 加权K邻近模型的K值与K邻近模型的K值相等； 步骤4：故障诊断； 步骤4.1：将构建好的K邻近模型、加权K邻近模型、传感器权重表和步骤2得到的训练集布设在云平台； 步骤4.2：纺织机运行时，采集其上各传感器数据，并与对应的纺织机编码一起上传至云平台，云平台采用与步骤2中构建特征矩阵相同的方法对传感器数据进行处理，得到基于实测数据的特征矩阵并输入至K邻近模型中，K邻近模型输出前K个距离构成的距离队列[d1,d2,...,dK]及该距离队列[d1,d2,...,dK]中每一个元素所对应的标签，然后利用K邻近模型输出的标签从所述传感器权重表中查找各传感器的权重值，将查找出的权重值与所述基于实测数据的特征数据一起输入至加权K邻近模型中，加权K邻近模型输出前K个距离构成的距离队列[D1,D2,...,DK]及该距离队列[D1,D2,...,DK]中每一个元素所对应的标签； 步骤4.3：加权投票； 计算距离队列[D1,D2,...,DK]中各种标签的得分，将得分最高的标签作为故障诊断结果，并将其中的编码发送至远程故障监测站。

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西安工程大学，其通讯地址为：710000 陕西省西安市新城区金花南路19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。