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！

龙图腾网获悉北京化工大学申请的专利一种基于残差学习与注意力机制融合的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：CN115640531B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202211371899.9，技术领域涉及：G06F18/24；该发明授权一种基于残差学习与注意力机制融合的故障诊断方法是由王华庆;付振宝;宋浏阳;徐智涛设计研发完成，并于2022-11-03向国家知识产权局提交的专利申请。

本一种基于残差学习与注意力机制融合的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残差学习与注意力机制融合的故障诊断方法。步骤：1将采集到的多个传感器原始信号数据进行融合，然后进行归一化处理并归一化后数据转换为二维灰度图数据集作为模型的输入；2搭建模型，包含倒瓶颈结构残差块、自注意力与卷积结合残差块CA、挤压和激励网络残差块SE和多层感知机分类器MLP组成；3倒瓶颈结构残差块提取样本特征，CA丰富提取的故障特征；4SE利用通道挤压与激励操作着重处理有用特征，忽视无效特征；5MLP将输出各个故障类别；6通过每轮迭代交叉熵所得损失，反向传播至模型更新参数。当迭代最终次数时，确定网络模型用以故障类型识别。本发明提取更多有效信息，运算速度更快，识别率更高。

本发明授权一种基于残差学习与注意力机制融合的故障诊断方法在权利要求书中公布了：1.一种基于多残差块结合的故障诊断方法，其特征在于：将不同工作状况下多个传感器的原始信号进行数据融合，然后对融合数据进行归一化处理以抑制信号中异常值的影响，最后将归一化处理后的数据转换为二维灰度图作为模型的输入，以增强不同故障之间特征，充分发挥该模型处理图片数据的性能；提出一种多残差块相互结合的网络模型，该模型通过多个残差块之间组合来丰富故障特征，提取与故障有关故障特征，将所得的丰富特征中突出的故障特征进行局部处理，抑制与故障无关的特征干扰，最后将处理后的结果由多层感知分类器MLP进行识别故障；通过训练过程计算其损失值进行反向传播更新模型参数，当迭代至最终的迭代次数时，获得最终输出结果,从而进行故障诊断；所述多残差块相互结合的网络模型的结构为：在Pytorch框架下搭建模型，主要包含倒瓶颈结构残差块、自注意力与卷积结合残差块CA、挤压与激励残差块SE和多层感知机分类器MLP四大部分；将四大部分按照介绍顺序依次组合，具体如下： 在倒瓶颈结构残差块中，其结构顺序依次是一个7×7卷积核的深度卷积层、批量归一化层、一个1×1卷积核的点卷积层、一个激活函数ReLU和一个1×1卷积核的点卷积层依次连接组成； 在自注意力与卷积结合残差块CA中，其结构顺序主要是一个1×1卷积核的卷积层、批量归一化层、激活函数ReLU、一个自注意力机制与卷积的双分支结构、批量归一化层、激活函数ReLU、一个1×1卷积核的卷积层、批量归一化层和激活函数ReLU依次连接，其中自注意力机制与卷积双分支结构是由卷积操作与自注意力操作两个并行分支组成；在该模块中，首先共用前面1×1卷积层处理特征，然后分成两个卷积操作和自注意力操作分支，最后再使用一个1×1卷积核的卷积层将两个分支的特征聚合； 挤压与激励残差块SE通过一个基本残差块、挤压过程、激励过程所组成，基本残差块是由一层1×1卷积核的卷积层、批量归一化层、一层3×3卷积核的卷积层、批量归一化层、一层1×1卷积核的卷积层、批量归一化层依次连接而成，用来提取输入特征；而后经过挤压过程，其通过全局池化层将输入特征每个通道的二维特征压缩为1个实数即通道数64，该实数具有全局的感受野，通道数保持不变；之后在激励过程中，第一个全连接层将C通道压缩为Cr个通道即压缩为4个通道，降低计算量，其中r为缩放系数；经过在C与r的各种取值对比，最后得通道数C=64，r=16时整体性能与计算效率最平衡；然后经过ReLU激活函数，进行第二个全连接层操作，使其恢复到原来C=64个通道，最后经过Sigmoid函数，最终得到一个向量，并与之前基本残差块结果进行相乘，完成通道注意力机制过程； MLP分类器主要由输入层、隐藏层和输出层所组成，为了减少参数量，输入层、隐藏层和输出层各自只采用一层全连接层组成，每两个全连接层之间采用ReLU激活函数进行非线性变换，其输出结果与实际标记故障类型进行对比，根据输出各个标签出现的概率值大小进行排序，最终得到最终的分类结果。

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北京化工大学，其通讯地址为：100029 北京市朝阳区北三环东路15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。