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！

龙图腾网获悉西安理工大学申请的专利基于混合深度学习模型的道岔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：CN114494766B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202111593359.0，技术领域涉及：G06V10/764；该发明授权基于混合深度学习模型的道岔故障诊断方法是由马维纲;戴岳;姬文江;黑新宏;谢国设计研发完成，并于2021-12-23向国家知识产权局提交的专利申请。

本基于混合深度学习模型的道岔故障诊断方法在说明书摘要公布了：本发明公开了基于混合深度学习模型的道岔故障诊断方法，具体为：对道岔功率数据进行预处理、归一化，分析每种数据所对应的故障类型，按设定规则标注样本数据集中的每个样本数据所反应的故障类型；使用改进Smote算法扩充故障数据，并划分数据集；建立深度神经网络分类模型；使用交叉熵损失函数和Adam优化器对模型进行训练。根据使用空洞卷积进行特征提取，LeNN与注意力机制融合模型作为分类器的思想，设计出了基于空洞卷积与LeNN‑Attention混合模型的列车道岔故障诊断方法，该方法比传统的单一神经网络和机器学习算法诊断精度更高，这表明通过混合深度学习算法所得到的模型在实际应用中有着非常良好的效果。

本发明授权基于混合深度学习模型的道岔故障诊断方法在权利要求书中公布了：1.基于混合深度学习模型的道岔故障诊断方法，其特征在于，具体按照以下步骤实施： 步骤1：对道岔功率数据进行预处理、归一化，分析每种数据所对应的故障类型，按设定规则标注样本数据集中的每个样本数据所反应的故障类型；具体为： 步骤1.1，道岔动作功率曲线是一维时间序列数据，每条数据取210个采样点，将长度不足210个采样点的数据末尾进行补零操作，超过210个采样点的数据进行截取，得到长度相同的一维时序数据；将数据进行归一化； 步骤1.2：获取归一化后的道岔动作功率数据，以道岔动作时间为横坐标，离散的功率数据为纵坐标，生成道岔动作功率曲线，根据每个时段动作的不同形成了相应的功率曲线； 步骤1.3：通过步骤1.2将所有的功率时序数据转换为功率曲线图，根据每个阶段曲线的走势不同，从原始样本集中手动挑选了六种不同类型的功率曲线，分别对应道岔转换过程中六种不同的故障，分别为启动阶段功率波动异常、转换阶段功率上升并保持、阶段功率直接降为0、阶段功率出现大幅波动、阶段功率正常下降后保持不变但不为0、转换阶段功率波动异常； 步骤2：使用改进Smote算法扩充故障数据，并划分数据集；具体为： 步骤2.1：对于每种故障数据，随机选择一条作为该种故障数据的少数类样本Xi，另随机选择5条作为其最邻近样本Yi，使用随机线性插值的方式生成新样本，最后将新生成的数据加入原始数据集中； 步骤2.2，使用Smote算法将6种故障数据分别增至500条，与500条正常数据按照0-6的顺序加分类标签，代表7种不同的故障类别，整体3500条数据作为原始数据集，打乱顺序后按照7：3的比例划分为训练集与测试集； 步骤3：建立深度神经网络分类模型；具体为： 步骤3.1：网络模型按照功能划分为特征提取器与分类器两个部分，其中特征提取器由一个空洞卷积层充当，分类器由包括第一卷积层、最大池化层、第二卷积层、ReLU激活函数层、融合注意力机制CBAM层、全连接层、DropOut层构成； 步骤3.2：将训练集数据输入到特征提取器中，本层卷积核大小为2*2，步长为2，扩张率大小设为2，代表每两个数据之间有一个空位置，用0进行填充，经过特征提取后的数据作为分类器的输入； 步骤3.3：经过空洞卷积层提取特征之后，数据的维度变为1,6,8,19，将该数据输入分类器中实现分类； 步骤3.4：将步骤3.3的输出结果输入到融合注意力机制CBAM层中做第二阶段处理；CBAM包括通道注意力模块与空间注意力模块； 步骤3.5：将输出结果输入全连接层中做最后一个阶段的处理；第一个全连接层输入16*3*8＝768维的向量，计算输入向量与权重向量之间的点积后再加一个偏置项，结果L1通过ReLU函数映射后输出，维度为120；第二个全连接层接收L1，继续通过ReLU函数输出一个78维向量L2；在L2输入最后一个全连接层之前先使用Dropout函数进行处理，该层最终输出结果D1,68；最后一个全连接层，共7个神经元代表分别代表数字0-7，就是为故障数据和正常数据所加的分类标签，将D1,68输入该层后得到维度为1,7的向量L3；最后，使用Softmax函数将七个神经元的输出结果映射到0,1区间内； 步骤4：使用交叉熵损失函数和Adam优化器对模型进行训练。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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”。