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！

龙图腾网恭喜山东科技大学申请的专利一种滚动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：CN119357645B 。

龙图腾网通过国家知识产权局官网在2025-04-08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：202411930200.7，技术领域涉及：G06F18/213；该发明授权一种滚动轴承故障诊断方法是由刘明杲;张晓莹;周业胜;张嘉琦设计研发完成，并于2024-12-26向国家知识产权局提交的专利申请。

本一种滚动轴承故障诊断方法在说明书摘要公布了：本发明属于旋转部件故障诊断技术领域，公开了一种滚动轴承故障诊断方法。该方法获取的不同因素滚动轴承的振动信号数据；进行不同约束因素下判定，获取不同约束因素下滚动轴承的振动变化数据；判定滚动轴承的损耗程度；构建若干个第一LSTM模型障的模型，构建包括多输入层、融合层和输出层的第二LSTM模型；对无人船船尾螺旋桨上使用的若干个滚动轴承进行编号，同时按照不同因素进行分类保存；得到滚动轴承的综合故障诊断结果。本发明显著提高了效率，具体体现在减少了数据处理量、避免了数据的重复输入，并通过多因素融合提升了故障诊断的准确性和效率。

本发明授权一种滚动轴承故障诊断方法在权利要求书中公布了：1.一种滚动轴承故障诊断方法，其特征在于，该方法包括：S1：进行多种工况下的滚动轴承振动信号测试；S2：基于实验平台获取不同工况下滚动轴承的振动信号数据，不同工况包括：不同转速、特定转速、不同负载、不同温度、不同湿度以及不同酸碱度条件；S3：对采集到的振动信号数据进行分析，根据不同约束条件判定滚动轴承的振动变化情况，获取不同约束条件下的振动变化数据；S4：基于不同工况下的振动变化数据，分析滚动轴承的损耗程度；S5：构建多个第一LSTM模型，将获取的不同工况下的振动信号数据及对应的损耗程度输入第一LSTM模型进行训练，生成针对各单一因素的预测故障模型，得到多个单因素LSTM模型；S6：基于多个单因素LSTM模型，构建一个包括多输入层、融合层和输出层的第二LSTM模型，通过融合不同工况下的预测结果，生成综合故障预测模型，并输出综合故障诊断结果；S7：在进行故障诊断之前，对无人船船尾螺旋桨所使用的若干个滚动轴承进行编号，并依据不同工况进行分类保存；S8：采集当前运行的滚动轴承工况数据，基于分类保存结果，将当前工况数据分别输入到对应的单因素LSTM模型中进行预测，并将各个单因素模型的预测结果输入第二LSTM模型进行综合故障预测，输出滚动轴承的故障诊断结果；在步骤S6中，第二LSTM模型包括：多输入层、融合层和输出层，多输入层接收来自多个单因素LSTM模型的预测结果；融合层将来自不同输入源的特征融合在一起，产生一个多维的表示，用于预测故障状态；融合层的融合策略包括加权融合，为不同输入分配权重，提取新的综合特征表示；在输出层中对故障状态或损耗程度进行预测，对于分类任务，输出层使用softmax函数输出故障类别的概率，对于回归任务输出连续的损耗预测值；注意力机制通过计算不同输入特征的重要性权重，选择性地对特征进行加权，生成一个更加代表性的、包含全局信息的特征表示；实现步骤为：1输入特征的表示：注意力机制的输入是多个特征向量，每个特征向量来自单因素LSTM模型的输出，这些特征表示不同的转速、负载、温度工况的振动信号，这些输入特征向量用一个向量集合表示，每个特征向量代表一种工况；2计算注意力权重：对每个输入特征，通过权重矩阵计算注意力得分，该得分反映特征对最终预测的重要性；计算公式中使用加权运算，表示不同特征的重要性；使用softmax函数对所有计算出的注意力得分进行归一化处理，使得所有特征的权重总和为1，从而合理分配不同特征的权重；3加权特征表示：将每个特征与计算出的注意力权重相乘，得到加权后的特征表示；确保重要的特征权重较高，不重要的特征权重较低；4融合加权后的特征：将所有加权后的特征进行求和，得到一个全局的融合特征表示；融合后的特征包含了所有输入特征的重要性信息，并经过加权处理，确保综合特征能够更好地反映故障预测中的关键特征；5综合特征输出：将融合后的综合特征传递到输出层，进行故障预测；对于分类任务，输出层使用softmax函数输出故障类别的概率；对于回归任务，输出层输出连续的损耗预测值。

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山东科技大学，其通讯地址为：266590 山东省青岛市辛安街道黄岛区前湾港路579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”。