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！

龙图腾网获悉三峡大学申请的专利基于CEEMDAN与多尺度时空信息融合图神经网络的矿用通风机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：CN120744667B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202510870860.9，技术领域涉及：G06F18/2415；该发明授权基于CEEMDAN与多尺度时空信息融合图神经网络的矿用通风机轴承故障诊断方法是由曾祥军;房祥庆;魏福;李求新;刘嘉豪;吴金欢;朱煜峰设计研发完成，并于2025-06-26向国家知识产权局提交的专利申请。

本基于CEEMDAN与多尺度时空信息融合图神经网络的矿用通风机轴承故障诊断方法在说明书摘要公布了：基于CEEMDAN与多尺度时空信息融合图神经网络的矿用通风机轴承故障诊断方法，包括：对矿用通风机轴承振动信号进行采集；对矿用通风机轴承振动信号进行预处理；对预处理后的矿用通风机轴承振动信号进行CEEMDAN，通过自适应多尺度分解将信号分解为多个IMF分量；构建多尺度时空卷积模块，采用不同尺度的卷积核并行提取各IMF分量的时序特征；引入通道注意力机制对多尺度时空特征进行自适应加权，通过计算通道特征的重要性权重动态强化关键故障模式的表征强度；通过GCN对多尺度时空特征进行聚合，生成全局特征表示，并输入分类器输出故障诊断结果。本发明通过CEEMDAN与多尺度时空信息融合图神经网络的结合，突破了噪声掩盖、时空关联缺失及泛化能力不足的技术瓶颈。

本发明授权基于CEEMDAN与多尺度时空信息融合图神经网络的矿用通风机轴承故障诊断方法在权利要求书中公布了：1.基于CEEMDAN与多尺度时空信息融合图神经网络的矿用通风机轴承故障诊断方法，其特征在于包括以下步骤： 步骤1：对矿用通风机轴承振动信号进行采集； 步骤2：对步骤1采集到的矿用通风机轴承振动信号进行预处理，包括异常值处理以及数据的归一化； 步骤3：对步骤2预处理后的矿用通风机轴承振动信号进行完备集合经验模态分解CEEMDAN，通过自适应多尺度分解将信号分解为多个IMF分量； 步骤4：构建多尺度时空卷积模块，采用不同尺度的卷积核并行提取各IMF分量的时序特征； 步骤5：引入通道注意力机制对多尺度时空特征进行自适应加权，通过计算通道特征的重要性权重动态强化关键故障模式的表征强度； 步骤6：通过GCN对多尺度时空特征进行聚合，生成全局特征表示，并输入分类器输出故障诊断结果； 所述步骤5包括以下步骤： S5.1：分别对步骤4中不同尺度卷积核得到尺寸为的输入特征图进行空间维度的全局最大池化和全局平均池化，每个特征图得到两个的特征图，其中，、和分别表示输入特征图的高度、宽度和通道数； S5.2：将全局最大池化和全局平均池化的结果，分别送入一个共享的多层感知机中学习，得到两个的特征图；MLP的第一层神经元个数为，表示预设的缩减比例用于控制多层感知机的压缩程度； 激活函数为Relu，计算公式如下式所示： 9； 式9中，表示激活函数ReLU的输出；表示输入；表示如果输入大于0，则输出就是本身，如果输入小于或等于0，则输出为0； MLP的第二层神经元个数为，缩减比例为预设整数，用于控制多层感知机的压缩程度； S5.3：将MLP输出的结果进行相加操作，接着经过Sigmoid激活函数的映射处理，计算公式如下： 10； 式10中，表示Sigmoid函数的输出，是神经元的输入，是自然对数的底数； Sigmoid函数的输出范围为，将任意实数映射到概率区间内，得到通道注意力权重矩阵来表示通道特征的重要性权重，其中，表示第个通道的权重； S5.4：将注意力权重矩阵作用于步骤3得到的多尺度卷积输出，得到加权后的特征矩阵，来动态强化关键故障模式的表征强度： 11； 式11中，表示加权后的特征矩阵，通道注意力权重矩阵，表示式8所得特征矩阵，表示相乘； 步骤5中,通过计算通道特征的重要性权重，动态强化关键故障模式的表征强度,具体如下: S5.3计算得到的通道注意力权重矩阵即为通道特征的重要性的表征； S5.4通过将权重矩阵与步骤3得到的多尺度卷积输出相乘，来动态强化关键故障模式的表征强度； 所述步骤6中，GCN中采用两层图卷积结构，第一层CNN用于基础特征聚合，第二层CNN用于深入捕捉多尺度特征之间的全局关系；以不同尺度卷积核下提取的时空特征代表每个节点，并根据特征间的相似性构建边；X1，X2，X3，X4表示第一层卷积层从原始数据中提取出的时空特征，黑色实线表示这些特征之间的连接关系；Z1，Z2，Z3，Z4分别是第一层GCN的输出，Z1，Z2，Z3，Z4分别对应X1，X2，X3，X4，Z向量比X向量包含了更丰富的结构信息和连接关系；Y1，Y4则分别表示最终的输出； 相似性采用欧氏距离度量，计算公式如下 12； 式12中，表示两点之间的欧氏距离，、分别表示第一个点与第二个点的x轴坐标，、分别表示第一个点与第二个点的y轴坐标，、分别表示第一个点与第二个点的z轴坐标； 特征节点间的连接关系为邻接矩阵，计算公式如下： 13； 基于此，使用GCN进行特征聚合，GCN的基本传播公式如下： 14； 式14中：表示第层的特征表示；表示第层的特征表示；是邻接矩阵，；为度矩阵；是GCN需要学习的权重矩阵；是激活函数。

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三峡大学，其通讯地址为：443002 湖北省宜昌市大学路8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。