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！

龙图腾网获悉华南理工大学申请的专利一种基于算法引导网络的冲击故障特征可解释提取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：CN117033986B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202310888537.5，技术领域涉及：G06F18/2131；该发明授权一种基于算法引导网络的冲击故障特征可解释提取方法是由郑元;何国林;李巍华;陈祝云;丁康设计研发完成，并于2023-07-19向国家知识产权局提交的专利申请。

本一种基于算法引导网络的冲击故障特征可解释提取方法在说明书摘要公布了：本发明公开了一种基于算法引导网络的冲击故障特征可解释提取方法，包括步骤：根据机理信号模型构建冲击故障仿真信号，截断信号为样本并进行训练和测试数据集划分；基于小波变换算法框架设计冲击故障精确重构算法，提取被强噪声淹没的冲击特征；搭建内在可解释的卷积稀疏自编码器，设计可解释通道注意力模块筛选合格的固有模态；利用梯度下降反向传播训练所提网络，同时根据训练参数分配其以不同的学习率，使网络能够自适应地识别信号中各阶固有模态参数；将测试集样本输入所提网络中，获得冲击故障特征及训练参数的识别结果，对特征进行希尔伯特包络解调得到包络谱，通过对故障冲击及其特征频率的分析和验证，进一步增强网络输出的可信度。

本发明授权一种基于算法引导网络的冲击故障特征可解释提取方法在权利要求书中公布了：1.一种基于算法引导网络的冲击故障特征可解释提取方法，其特征在于，包括以下步骤： 步骤1、构建数据集：根据滚动轴承冲击故障响应信号机理模型构建同位置冲击故障的仿真信号，添加高斯白噪声模拟实际信号的干扰成分，再对信号截取成多段相同长度的样本，并将样本划分为训练数据集和测试数据集其中R和S分别是训练数据集和测试数据集所含样本数； 步骤2、基于小波变换推导和建立稀疏拉普拉斯小波重构算法，用于精确重构冲击故障特征，包括小波变换和小波重构两部分，通过设计幅值校正系数和过渡带校正系数，将变换和重构结果乘所得系数； 步骤3、以所述稀疏拉普拉斯小波重构算法为内核，构建拉普拉斯小波核卷积稀疏自编码器，包括编码器层、中间层和解码器层，每一层都具有多个通道，对应识别冲击响应各被激发的模态；编码器层是对输入信号进行稀疏尺度下的拉普拉斯小波变换，并根据稀疏拉普拉斯小波重构算法相应地进行幅值校正；中间层对应不同模态的小波系数；解码器层对中间层的输出利用拉普拉斯小波、校正系数及通道筛选输出的冲击特征； 所述编码器包括卷积层和单连接层，卷积层使用拉普拉斯小波作为卷积核进行小波变换，将幅值校正系数C0和C1的乘积作为单连接层中的权重系数，同时弃用偏置向量，编码器各通道输出一组经幅值校正的小波系数； 所述解码器包括小波重构层和可解释通道注意力模块，小波重构层包含转置卷积操作和过渡带校正系数C2、C3，实现各通道分别对冲击特征所含分量的精确重构；可解释通道注意力模块为一层全连接层，该层去除偏置向量，且相同通道内共享一个的注意力权重系数w，各通道经加权和叠加后，得到冲击特征的重构值作为拉普拉斯小波核卷积稀疏自编码器的输出； 步骤4、将训练数据集的训练样本输入拉普拉斯小波核卷积稀疏自编码器，按冲击特征的重构损失进行训练，利用梯度下降反向传播更新拉普拉斯小波参数及通道筛选权重参数，使模型能够从样本中学习到最稀疏小波基的数量和最优小波基的参数，实现同类冲击故障的自适应和鲁棒提取； 步骤5、将测试数据集的测试样本输入训练好的网络中进行测试，获得提取到的冲击故障特征。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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”。

以上内容由龙图腾AI智能生成。