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！

龙图腾网获悉长沙理工大学申请的专利电驱动系统电机时空特征神经网络故障诊断方法及系统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：CN119598261B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202411732960.7，技术领域涉及：G06F18/24；该发明授权电驱动系统电机时空特征神经网络故障诊断方法及系统是由吴公平;黄志文;龙卓;黄凤琴;杨明;周湘祁设计研发完成，并于2024-11-29向国家知识产权局提交的专利申请。

本电驱动系统电机时空特征神经网络故障诊断方法及系统在说明书摘要公布了：本发明公开了一种电驱动系统电机时空特征神经网络故障诊断方法及系统，适用于多种复杂工况下的电机系统。本发明所述方法是将采集多种故障电机下的振动信号作为原始信号，对原始信号预处理成数据样本集，再对样本集里的数据进行多尺度分解得到时空特征输出，进而对时空特征进行种群编码成时间脉冲，最后利用构建好的脉冲卷积网络模型对输入进行训练，在训练模型中引入了梯度下降法并结合卷积和批规范化时间层策略，有效提高了网络的稳定性和分类精度。其中，多尺度分解提取得到的是信号的局部特征，与电机故障特征表现为局部性质相契合，显著提升了电机故障诊断准确性，有效保障电力运载装备电驱动系统可靠运行。

本发明授权电驱动系统电机时空特征神经网络故障诊断方法及系统在权利要求书中公布了：1.一种电驱动系统电机时空特征神经网络故障诊断方法，其特征在于：包括以下步骤： 步骤1：采集正常、多类故障工况下的电机振动信号构成原始数据集，再对原始数据集的样本至少进行样本切片、样本贴标签，得到不同故障状态以及正常状态下的样本集； 步骤2：将各个样本的电机振动信号转换编码为脉冲模式的各个样本的脉冲信号，并将样本集划分为训练集和测试集； 步骤3：构建基于脉冲卷积神经网络的故障诊断模型，并将样本的脉冲信号输入所述脉冲卷积神经网络进行模型训练； 其中，所述脉冲卷积神经网络的网络架构为：依次设有卷积模块、池化层以及全连接模块，且至少在所述卷积模块中一个卷积层之后、以及在所述全连接模块中一个全连接层之后均依次插入批规范化时间层BNTT和积分-发放模型LIF； 步骤4：采集待监测电机的电机振动信号并转换编码为脉冲信号，进而输入训练后的故障诊断模型进行故障诊断； 其中，步骤2中将各个样本的电机振动信号转换编码为脉冲模式的各个样本的脉冲信号的过程如下： 利用低通滤波器和高通滤波器对各个样本的电机振动信号进行特征提取，以样本数据小波分解的逼近系数和所有细节系数的二范数合并成一维数组作为样本的故障特征输出Y，如下： Y＝[aj[kj],bj[kj],bj-1[kj-1]...,b1[k1]] 对每个样本的故障特征输出先归一化，再利用多个重叠的高斯函数进行种群编码得到每个样本的脉冲信号，即均由一组包含M个高斯函数的高斯接收场编码，第i个高斯函数的均值Ci和标准差σi的公式定义如下： 上式中，Imax和Imin分别是每个样本对应输入特征的最大值、最小值，和N是标准差σ的可调常数，M为高斯函数的个数，i表示第i个高斯函数； 模型训练过程采用时间反向传播法进行网络训练； 其中，不包含批规范化时间层BNTT的网络层的连接神经元的权重梯度公式为： 包含批规范化时间层BNTT的网络层的连接神经元的权重梯度公式为： 式中，Δωij为连接神经元j、i的连接权重ωij的权重梯度，用于更新连接权重ωij；T为设定的时间步总数，L为损失函数，是神经元i在时间步t的对应网络层输出，是神经元i在时间步t的网络层输出膜电位；是样本b在时间步t对应的批规范化时间层BNTT的输入；表示样本b、样本k对应的批规范化时间层BNTT的输出；m表示模型训练中一个批次的样本总数，b、k为对应批次内的样本索引，ε是预先给定的极小值，σt是批规范化时间层BNTT的样本输入在时间步长t下的方差，T、t分别表示设定的时间步总数、时间步索引。

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长沙理工大学，其通讯地址为：410000 湖南省长沙市天心区赤岭路45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”。