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！

龙图腾网获悉南京航空航天大学申请的专利一种基于SP-GCDBN-ABIGRU的直升机用齿轮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：CN120524341B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202511022862.9，技术领域涉及：G06F18/2415；该发明授权一种基于SP-GCDBN-ABIGRU的直升机用齿轮故障诊断方法是由王体春;李仡杰;靳广虎;刘新华设计研发完成，并于2025-07-24向国家知识产权局提交的专利申请。

本一种基于SP-GCDBN-ABIGRU的直升机用齿轮故障诊断方法在说明书摘要公布了：本发明公开了一种基于SP‑GCDBN‑ABIGRU的直升机用齿轮故障诊断方法，包括构建信号数据集；构建SP‑GCDBN模型逐步从振动信号中提取高层次的特征，能够更加精确地从原始信号中提取低阶和高阶特征；提高了特征提取的抗噪性和精度；通过BIGRU模型将SP‑GCDBN提取的特征序列同时传入两个不同的循环网络来进行时序建模；将经过BIGRU处理后的特征同时经过通道注意力模块与空间注意力模块得到相应权值，将权值直接与原始输入特征加权得出最终的输出特征；将最终的输出特征输入传递给分类模型，进行故障类型的预测；实现了多模态信息的有效融合；不仅提高了对信号中不同维度的理解，还减少了因噪声或干扰导致的误诊，提高了故障诊断的可靠性和准确性。

本发明授权一种基于SP-GCDBN-ABIGRU的直升机用齿轮故障诊断方法在权利要求书中公布了：1.一种基于SP-GCDBN-ABIGRU的直升机用齿轮故障诊断方法，其特征在于，包括如下步骤： 在齿轮系统不同位置采集齿轮振动信号数据，并对信号数据进行预处理，构建信号数据集； 构建SP-GCDBN模型通过堆叠多个RBM层，逐步从振动信号中提取高层次的特征；且每一层的输出作为下一层的输入，逐步增加特征的抽象度和表示能力；每一层的输入信号被压缩并转换为更加高维、抽象的特征空间； 通过BIGRU模型将SP-GCDBN提取的特征序列同时传入两个不同的循环网络来进行时序建模；每一个方向上的GRU单元都会产生一个包含正向和反向信息的隐层状态序列； 将经过BIGRU处理后的特征同时经过通道注意力模块与空间注意力模块得到相应权值，将权值直接与原始输入特征加权得出最终的输出特征； 将最终的输出特征输入传递给分类模型，进行故障类型的预测； 基于SP-GCDBN模型提取高层次的特征，具体为： 对输入信号应用高斯卷积，高斯卷积核的定义为： ； 其中，为高斯函数的标准差； 对于每一个时间步t，振动信号与高斯卷积核进行卷积，卷积操作表示为： ； 在高斯卷积层提取的特征基础上，每一层的RBM学习输入数据的概率分布，通过学习输入信号的联合概率分布来学习特征；RBM的能量函数为： ； 其中，表示输入层第i个节点的值，表示输入层第i个节点的偏置，表示隐藏层的第j个节点的值，表示隐藏层第j个节点的偏置，表示输入层节点与隐藏层节点之间的权重； 所述RBM通过对比散度算法进行训练，目标是最小化能量函数；训练过程包括： 前向传播：从可见层到隐藏层，通过激活函数计算隐藏层的激活值： ； 反向传播：根据计算得到的隐藏层的激活值，反向传播通过重构可见层值，并更新权重和偏置，； 更新权重：使用梯度下降法更新权重和偏置； 所述梯度下降法包括： 定义一个损失函数，用于度量模型预测结果与真实标签之间的误差，其中，W代表权重参数矩阵，b代表偏置向量； ； 其中，指的是实际标签，对应每个样本的真实值，代表第i个样本的预测值，代表第i个样本的输入特征向量，N表示样本的总数； 计算损失函数相对于模型参数的梯度，计算权重的梯度： ； 计算偏置的梯度： ； 沿着梯度的反方向进行权重与偏置更新，更新权重公式： ； 其中，表示学习率，表示被更新为，表示更新权重W； 更新偏置： ； 在每次迭代中，重复计算梯度并更新权重和偏置，直到损失函数收敛或达到最大迭代次数，迭代形式为： 。

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南京航空航天大学，其通讯地址为：210000 江苏省南京市秦淮区御道街29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”。