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！

龙图腾网获悉广西大学申请的专利一种模态分解预测卷积注意力网络的轴承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：CN115510917B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202211244379.1，技术领域涉及：G06F18/2415；该发明授权一种模态分解预测卷积注意力网络的轴承故障诊断方法是由殷林飞;王子璇;胡立坤;姚小军;郑海付;韦超;党新铭设计研发完成，并于2022-10-12向国家知识产权局提交的专利申请。

本一种模态分解预测卷积注意力网络的轴承故障诊断方法在说明书摘要公布了：本发明提出一种模态分解预测卷积注意力网络的轴承故障诊断方法，该方法先用VGG16对轴承故障检测信号进行分类，输出分类概率大于故障判断设定值的信号，再将输出分类概率小于故障判断设定值的信号进行完全经验集合模态分解，将模态分解后的模态分量与剩余分量用门控循环单元、循环神经网络、长短期记忆网络、双向长短期记忆网络与时间卷积网络方法进行预测，再分别通过一个卷积自注意结合算子进行分类，最后加权求和输出分类结果。所提方法能解决当前轴承故障诊断技术无法同时兼顾高精度和高速度的预测问题，实现提前快速精准地诊断轴承故障的功能，提高故障诊断的精度和速度。

本发明授权一种模态分解预测卷积注意力网络的轴承故障诊断方法在权利要求书中公布了：1.一种模态分解预测卷积注意力网络的轴承故障诊断方法，其特征在于，将模态分解后的模态分量与剩余分量用不同的神经网络方法进行预测，再分别通过一个卷积自注意结合算子进行分类，能同时提高轴承故障诊断分类精度和速度；在使用过程中的步骤为： 步骤1：将轴承故障检测信号转换为检测信号的二维灰度图像； 步骤2：将检测信号的二维灰度图像输入VGG16网络； 步骤3：输入图像依次经过2个级联的3×3卷积层，1个2×2的最大池化层，2个3×3卷积层、1个2×2最大池化层、3个3×3卷积层、1个2×2最大池化层、3个3×3卷积层、1个2×2最大池化层、3个3×3卷积层、1个2×2最大池化层以及3个全连接层，利用随机梯度下降的方法进行训练； 步骤4：输出轴承故障检测信号的分类概率； 步骤5：判断每个轴承故障检测信号的分类概率是否大于故障判断设定值； 步骤6：将分类概率大于故障判断设定值的轴承故障检测信号输出分类结果； 步骤7：将分类概率小于故障判断设定值的轴承故障检测信号输入完全集合经验模态分解网络； 步骤8：向输入信号加入不同的正负成对白噪声，得到新的信号； 步骤9：利用经验模态分解的方法对新的信号进行模态分解，得到各个新信号的第一阶模态分量； 步骤10：将所有新信号的第一阶模态分量进行求和平均，得到小于故障判断设定值的轴承故障检测信号的第一阶模态分量； 步骤11：用小于故障判断设定值的轴承故障检测信号减去第一阶模态分量得到第一阶的剩余分量； 步骤12：再给第一阶的剩余分量加入不同的正负成对白噪声，重复从加入不同的正负成对白噪声到得到剩余分量这一过程； 步骤13：输出4个模态分量与1个剩余分量，即模态分量c1t、c2t、c3t、c4t与剩余分量x4t，将其分别输入门控循环单元、循环神经网络、长短期记忆网络、双向长短期记忆网络与时间卷积网络； 步骤14：将门控循环单元中每一时刻的输入信号与上一时刻的输出信号加权相加后输入重置门与更新门，用激活函数激活； 当当前时刻的信号c1t输入时，其被输入到重置门和更新门中，重置门和更新门的输出分别为： rt＝σc1t·Wxr+y1t-1·Whr+br， zt＝σc1t·Wxz+y1t-1·Whz+bz， 其中，rt是重置门的输出，zt是更新门的输出，y1t-1是上一时刻的输出，Wxr是输入与重置门之间的连接权重，Wxz是输入与更新门之间的连接权重，Whr是隐状态与重置门之间的连接权重，Whz是隐状态与更新门之间的连接权重，br为重置门的偏置向量，bz为更新门的偏置向量，σ·是将输入归一化到0至1的激活函数； 步骤15：重置门的当前时刻输出与上一时刻输出相乘后与当前时刻输入加权相加，输入候选隐状态层，用激活函数激活； 计算当前时刻的候选隐状态为： y′t＝tanhc1t·Wxh+rt·y1t-1·Whh+bh， 其中，y′t是当前时刻的候选隐状态，Wxh是输入与候选隐状态之间的连接权重，Whh是重置门与上一时刻输出相乘之后与候选隐状态之间的连接权重，bh是候选隐状态的偏置向量，tanh·是将输入归一化到-1至1的激活函数； 步骤16：当前时刻的候选隐状态与1和更新门当前时刻输出的差值相乘，加上上一时刻输出与更新门当前时刻输出相乘，得到当前时刻输出； 上一时刻输出结合候选隐状态与更新门能得到当前时刻的输出y1t： y1t＝zt·y1t-1+1-zt·y′t； 步骤17：不断重复从得到上一时刻输出到得到当前时刻输出的过程，得到最终门控循环单元的输出； 步骤18：将循环神经网络中每一时刻的输入信号与上一时刻隐含层的输出信号加权相加后输入当前隐含层，用激活函数激活； 当当前时刻的信号c2t输入时，会与上一时刻的隐含层输出ht-1一同输入当前隐含层，当前时刻隐含层的输出ht为： ht＝fHWx·c2t+Wh·ht-1+bh， 其中，Wx为输入与当前隐含层的连接权重，Wh为上一隐含层与当前隐含层的连接权重，bh为隐含层偏置向量，fH·为隐含层激活函数； 步骤19：将隐含层的输出加权后输入输出层，用激活函数激活，得到最终循环神经网络的输出； 隐含层的输出经过输出层后会得到当前时刻的输出y2t： y2t＝foWo·ht+bo， 其中，Wo为隐含层与输出层的连接权重，bo为输出层的偏置向量，fo·为输出层的激活函数； 步骤20：将长短期记忆网络中每一时刻的输入信号与上一时刻的输出信号加权相加后输入遗忘门、输入门和候选记忆层，用激活函数激活； 当当前时刻的信号c3t输入时，与上一时刻输出y3t-1同时输入遗忘门和输入门，同时更新候选记忆s′t，遗忘门和输入门的输出分别为： ft＝σWf·[y3t-1,c3t]+bf， it＝σWi·[y3t-1,c3t]+bi； 更新候选记忆s′t为： s′t＝tanhWc·[y3t-1,c3t]+bs， 其中，ft是遗忘门的输出，it是输入门的输出，Wf是遗忘门的权重，Wi是输入门的权重，Wc是候选记忆层的权重，bf是遗忘门的偏置向量，bi是输入门的偏置向量，bs是候选记忆层的偏置向量； 步骤21：将当前时刻遗忘门的输出与上一时刻记忆元相乘，加上当前时刻输入门的输出与当前时刻候选记忆元相乘，得到当前时刻记忆元； 更新上一个记忆元st-1为当前记忆元st： st＝ft·st-1+it·s′t； 步骤22：将当前时刻的输入与上一时刻输出加权相加后输入输出门，用激活函数激活，得到当前时刻的输出； 当前时刻的输入c3t与上一时刻输出y3t-1同时输入输出门，得到当前时刻的输出y3t； 输出门的输出ot为： ot＝σWo·[y3t-1,c3t]+bo； 当前时刻的输出y3t为： y3t＝ot·tanhst， 其中，ot是输出门的输出，Wo是输出门的权重，bo是输出门的偏置向量； 步骤23：不断重复从得到上一时刻输出到得到当前时刻输出的过程，得到最终长短期记忆网络的输出； 步骤24：将双向长短期记忆网络中的输入信号输入两个方向相反的长短期记忆网络，将两个长短期记忆网络的输出拼接，得到双向长短期记忆网络的最终输出； 步骤25：将时间卷积网络的输入信号输入两个分支；第一个分支是一个1x1卷积层，第二个分支是将因果膨胀卷积层、归一化层、ReLU激活函数和正则化层级联，并重复两次； 步骤26：将两个分支得到的结果进行相加，然后再重复从信号分成两个步骤处理再到相加的过程，得到时间卷积网络的最终输出结果； 步骤27：将门控循环单元、循环神经网络、长短期记忆网络、双向长短期记忆网络与时间卷积网最终的输出结果转换为二维灰度图像，即预测后的二维灰度图像； 步骤28：将每一个网络预测后的二维灰度图像分别输入一个X-volution网络，输入会进入两个分支，第一个是卷积分支，由级联的卷积层和批处理归一化层级联组成，第二个是像素位移自注意分支； 步骤29：将像素位移自注意分支的输入特征图分别向上、下、左、右、上左、上右、下左、下右8个方向移动L个像素点，将移动后的图像进行键转换，将原始预测后的二维灰度图像进行查询转换，计算键转换后数据与查询转换后数据之间的元素乘积，得到转换后的特征，将转换后的特征加权相加，再级联一个批处理归一化层，得到像素位移自注意分支的输出； 步骤30：将两个分支的输出相加，最后输出预测后信号的分类； 步骤31：将分类后的输出结果进行加权求和后输出最终分类结果。

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广西大学，其通讯地址为：530005 广西壮族自治区南宁市西乡塘区大学东路100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。