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！

龙图腾网恭喜新疆大学申请的专利基于深度图卷积网络的滚动轴承复合故障智能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：CN116662873B 。

龙图腾网通过国家知识产权局官网在2025-04-18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：202310374137.2，技术领域涉及：G06F18/241；该发明授权基于深度图卷积网络的滚动轴承复合故障智能诊断方法是由陈彩凤;袁逸萍;赵飞阳;陈钧钖;张润泽;薛景文;郭开宇设计研发完成，并于2023-04-10向国家知识产权局提交的专利申请。

本基于深度图卷积网络的滚动轴承复合故障智能诊断方法在说明书摘要公布了：本发明公开了一种基于深度图卷积的滚动轴承复合故障诊断方法，包括以下步骤：首先，采集轴承的振动信号，将其划分成子样本；其次，将由各子样本构成图样本；最后，利用深度图卷积DGCN模型提取图的特征，实现复合故障的快速分类。DGCN模型能够实现端对端的诊断模式，省去了传统诊断方法中复杂的特征工程。使用顶点和边构造的图可以为诊断模型的训练提供更多信息。实验结果表明，该方法在针对同一工况、不同工况和样本不平衡的滚动轴承复合故障方面具有很大优势。针对复合故障与单一故障样本间相关性高易造成分类错误的问题，本方法能有效避免单一故障与复合故障之间的错分类。

本发明授权基于深度图卷积网络的滚动轴承复合故障智能诊断方法在权利要求书中公布了：1.一种基于深度图卷积网络的滚动轴承复合故障智能诊断方法，包括以下步骤：1基于时间序列构建图形将信号长度为L的原始时间序列X，进行归一化处理，归一化后的数据表示为：Xnol＝normalizationX1其中Xnol是归一化时间序列，normalization·表示归一化方法；其次，将信号长度为L原始时间序划分为长度为d的子样本，每个样本之间没有重叠，并为每个子样本分配相应的标签，获得的子样本集可以表示为： 其中∏表示构建的超样本集，表示子样本，yn表示标签，n表示子采样的数量；对每个子样本进行快速傅里叶变换FFT，将得到的频谱作为新的样本，其过程可以表示为：其中FFT·表示将子样本转换为频域并取结果的前半部分；最终得的一个带标签的数据集，表示为： 2构造图结构数据将上述获得的带标签数据集构建加权图，通过将每个子样本视为图中的节点来构造具有n个节点的图；估计样本之间的距离，并定义一个阈值ε；如果余弦相似度大于阈值，则两个节点之间会有一条边；可以通过以下方式获得节点xi的邻居节点： 其中是的邻居节点，ε是选定的半径，这里阈值ε取0，计算节点与的余弦相似度；通过一个阈值高斯核权函数计算每两个节点之间的权值： 其中β是高斯函数的带宽方差；3故障诊断结构将上述处理好的数据放入深度图卷积模型中进行处理，并输出处理结果；深度图卷积模型采用动量随机梯度下降SGD作为优化器进行超参数优化；其中动量随机梯度下降SGD的动量为0.9，迭代次数epochs为100，批处理大小batchsize为64，学习速率衰减策略用于调整学习速率，权重衰减值初始化为0.0005，学习率learnrate为0.001，网络节点数为640，边的数量为5760；深度图卷积模型包括输入层、第一卷积层、第一归一化层、第二卷积层、第二归一化层、全连接层、输出层；第一层图卷积层中，输入的节点特征图大小为512，输出的节点特征图大小为1024，图卷积核个数为512×1024；第一归一化层，对卷积操作之后的数据进行归一化处理，输出特征图的通道数为1024，步长为1，采用ReLU激活函数进行非线性映射；第二层图卷积层中，输入的节点特征图大小为1024，输出的节点特征图大小为1024，图卷积核个数为1024×1024；第二归一化层，对卷积操作之后的数据进行归一化处理，输出特征图的通道数为1024，步长为1，采用ReLU激活函数进行非线性映射；全连接层中，输入特征图大小为1024，输出特征图大小为512，采用激活函数ReLU；输出层中，输入特征图大小为512，采用激活函数Softmax。

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新疆大学，其通讯地址为：830046 新疆维吾尔自治区乌鲁木齐市胜利路666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”。