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！

龙图腾网获悉江西水利电力大学申请的专利一种基于自适应Bi-LSTM的实时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：CN120744467B 。

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：202511245511.4，技术领域涉及：G06F18/213；该发明授权一种基于自适应Bi-LSTM的实时故障诊断方法是由王松涛;王培昂;王亚迪;吕才兴;包学才;向双双设计研发完成，并于2025-09-02向国家知识产权局提交的专利申请。

本一种基于自适应Bi-LSTM的实时故障诊断方法在说明书摘要公布了：本发明记载了一种基于自适应Bi‑LSTM的实时故障诊断方法，步骤包括：S1，采集包括多种故障类型在内的齿轮箱原始故障信号，每种故障类型设置一定的样本量构成数据集；提取原始故障信号的关键特征并构建特征向量；S2，基于弹性网络优化Lasso回归对特征向量进行特征降维；S3，构建基于稀疏注意力机制改进的自适应Bi‑LSTM神经网络，对特征降维后的特征向量进行故障诊断。本发明记载的方法，从时域和频域两个角度提取故障特征，能够充分挖掘故障信号本质信息。基于弹性网络改进的Lasso方法，对高维特征进行降维，能够有效降低数据维度并减少冗余特征干扰。基于自适应Bi‑LSTM神经网络，对筛选后的特征进行故障诊断，实现齿轮箱复合故障的准确与实时识别。

本发明授权一种基于自适应Bi-LSTM的实时故障诊断方法在权利要求书中公布了：1.一种基于自适应Bi-LSTM的实时故障诊断方法，其特征在于， 包括以下步骤： S1，采集包括多种故障类型在内的齿轮箱原始故障信号，每种故障类型设置一定的样本量，构成原始故障信号数据集； 提取原始故障信号的时域特征和频域特征作为关键特征，构建关键特征的特征向量； S2，基于弹性网络优化Lasso回归，并使用优化后的Lasso回归对步骤S1构建的特征向量进行特征降维； S3，构建基于稀疏注意力机制改进的自适应Bi-LSTM神经网络，对特征降维后的特征向量进行故障诊断，包括以下具体步骤： S301，结合稀疏注意力机制和Bi-LSTM神经网络，输入数据进入稀疏注意力模块； 给定输入序列G＝[x1，x2，…，xt]∈Rt×d，式中，x为序列中的特征向量，t为序列长度，d为特征维度，将输入序列G分别通过下述三个线性变换，得到查询、键和值矩阵，即： Q＝XWQ；K＝XWK；V＝XWV 式中，Q为查询、K为键、V为值；分别为查询、键和值的权重矩阵；DQ、DK和DV分别为查询、键和值的维度；X为特征矩阵；d为特征维度；R为实数集； 所述稀疏注意力模块通过计算查询、键和值来提取输入序列中的关键特征； S302，通过下述公式将输入序列G划分为大小为l的局部区域，计算每个局部区域中查询和键之间的点积： 式中，Qlocal和Klocal分别为局部区域内的查询矩阵和键矩阵；Alocal为局部区域内的注意力权重矩阵；softmax为归一化函数； S303，设置稀疏连接，用于在局部区域之间传递全局信息，所述稀疏连接的注意力权重计算公式如下： 式中，Qsparse和Ksparse分别为稀疏连接的查询矩阵和键矩阵；Asparse为稀疏连接的注意力权重矩阵； S304，通过下述公式计算稀疏注意力模块的输出： SSAX＝AlocalVlocal+AsparseVsparse 式中，Vlocal和Vsparse分别为局部区域和稀疏连接的值矩阵。

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江西水利电力大学，其通讯地址为：330099 江西省南昌市高新技术开发区天祥大道289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。