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！

龙图腾网获悉西安交通大学申请的专利旋转机械装备状态监测大数据轻量化表征与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：CN117150218B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202311145131.4，技术领域涉及：G06F18/00；该发明授权旋转机械装备状态监测大数据轻量化表征与智能诊断方法是由李响;徐宜销;雷亚国;李乃鹏;杨彬;曹军义;武通海设计研发完成，并于2023-09-06向国家知识产权局提交的专利申请。

本旋转机械装备状态监测大数据轻量化表征与智能诊断方法在说明书摘要公布了：一种旋转机械装备状态监测大数据轻量化表征与智能诊断方法，通过与原始数据集进行特征分布对齐，反向更新数据原型，进而构建极少量分布相近但信息量丰富的数据原型，并用构建的轻量化表征数据集替代原始数据集，从数据量层面用极少量数据代替海量原始数据；本发明降低由海量原始数据带来的数据存储资源占用、数据无法及时传输、数据建模困难、计算成本高等问题，并可为后续智能诊断、协同建模、隐私保护等下游任务提供数据支持。

本发明授权旋转机械装备状态监测大数据轻量化表征与智能诊断方法在权利要求书中公布了：1.一种旋转机械装备状态监测大数据轻量化表征与智能诊断方法，其特征在于，包括以下步骤： 步骤1：对于给定存在C类健康状态的时域振动信号数据集其中表示第i个样本的数据点，N表示每个样本数据点的个数，yi＝{1,2,3,...,C}表示与样本数据点xi对应的标签，上标Nreal表示数据集D1中的样本总数；使用短时傅里叶变换ShortTimeFourierTransform,STFT对时域振动信号数据集D1进行信号转换，将一维振动时域信号转换为二维时频域信号；经过转换后的数据集为时频域数据集，并将时频域数据集称为原始数据集，转换后对应标签yi及数据集样本数量Nreal保持不变，时频域信号Xi计算公式如下： 其中,xit为时域信号，表示时频域信号，L和M分别为信号的时域与频域的维度，ht-τe-j2πft为基函数，ht-τ为窗函数，f为傅里叶变换中的频率，j为虚数单位，τ为时间，e为自然底数； 步骤2：从时频域数据集D2中，随机选取样本，完成每类健康状态的数据原型Xj的初始化，得到初始化轻量化表征数据集其中为数据原型，且Xj与Xi的维度一致，yj＝{1,2,3,...,C}表示与样本点Xj对应的健康状态标签,上标Nprototype代表轻量化表征数据集的样本总个数，并且Nprototype＜＜Nreal； 步骤3：从原始数据集D2与轻量化表征数据集S中分别对各类健康状态随机选取批量大小为Nbatch的小批量样本，则从原始数据集D2和轻量化表征数据集S中选取的样本总量均为C×Nbatch； 步骤4：对步骤3中从原始数据集D2中选取的样本进行数据增强；首先，对原始数据集D2选取的时频域信号Xi转换前对应的时域信号xi通过计算指定信噪比Signal-NoiseRatio,SNR，获得与时域信号xi维度相同的一维噪声信号xn；然后，将一维噪声信号xn进行短时傅里叶变换得到与时频域信号Xi维度相同的二维噪声信号Xn；最后，将时频域信号Xi与二维噪声信号Xn相加，获得增强后的时频域信号AugXi，具体计算公式如下： AugXi＝Xi+Xn4其中，p表示信号的功率，N代表信号的长度，SNR代表信噪比，Ps与Pn分别表示信号与噪声的功率，Xi表示时频域信号，Xn表示二维噪声信号，AugXi表示增强后的时频域信号； 步骤5：随机初始化数据轻量化表征方法模型，并固定模型权值，即网络不可训练；在每次优化过程中，将步骤3中获得的C×Nbatch个数的时频域信号Xi、数据原型Xj与步骤4中获得的个数为C×Nbatch的增强后时频域信号AugXi同时输入到构建的数据轻量化表征方法模型中，分别获得对应各类健康状态在模型中不同层的高层特征表示flXi、flXj与flAugXi，其中fl·表示模型的映射关系，下标l表示模型的第l层，i,j＝{1,2,3...,Nbatch}； 步骤6：使用步骤5中获得的各类小批量数据的高层特征flXi、flAugXi与flXj分别代表原始数据集与轻量化表征数据集，以每类flXi、flAugXi与flXj之间的距离之和作为损失项Ld表示数据集之间的分布差异，并通过最小化每类flXi、flAugXi与flXj之间距离Ld来减小数据集间的分布差异，计算公式如下： 其中，为最终的损失，C为健康状态类别数目，Nbatch为每一批次选取的样本数量，flXc,i、flAugXc,i与flXc,j分别为对于c类健康状态的时频域信号、增强后时频域信号、数据原型在网络中的高层特征，下标l表示模型的第l层； 步骤7：使用步骤6中计算得到的损失作为优化目标函数，使用反向传播、计算梯度值对数据原型进行更新： 其中，η表示学习率； 步骤8：循环执行步骤3至步骤7，每次循环均对时频域信号进行实时增强，并对数据原型进行一次更新；当迭代次数到达最大迭代次数I时更新结束，即得到最终轻量化表征数据集。

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交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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”。