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基于多任务图神经网络的智能故障诊断与寿命预测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：CN117951494B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202311721794.6，技术领域涉及：G06F18/213；该发明授权基于多任务图神经网络的智能故障诊断与寿命预测方法是由李巍华;许维冬;何敬科;陈祝云;温楷儒;蓝昊;贺毅设计研发完成，并于2023-12-14向国家知识产权局提交的专利申请。

本基于多任务图神经网络的智能故障诊断与寿命预测方法在说明书摘要公布了：本发明公开了基于多任务图神经网络的智能故障诊断与寿命预测方法。所述方法具体如下：采集旋转机械的全寿命周期振动信号，设置故障类别标签和剩余使用寿命标签；对振动信号利用滑动窗口提取多个时频域特征，同时计算特征之间的相关系数，结合标签信息构建样本图；将样本图输入图卷积模块，通过图同构层和全局平均池化层自动提取深度特征；将图卷积模块提取的特征输入自注意力模块，利用自注意力机制进行加权；将经过加权后的特征并行地输入分别用于执行故障诊断任务和寿命预测任务的两个全连接层，构建联合损失函数进行训练，得到多任务模型；将测试样本图输入训练好的多任务模型，模型可同时输出该样本图所属的故障类别及剩余使用寿命情况。

本发明授权基于多任务图神经网络的智能故障诊断与寿命预测方法在权利要求书中公布了：1.基于多任务图神经网络的智能故障诊断与寿命预测方法，其特征在于，包括以下步骤： 步骤1、数据采集与标注：安装加速度传感器，采集旋转机械在运行退化过程中的全寿命周期振动信号，根据故障始发点为全寿命周期振动信号设置分段线性的旋转机械剩余使用寿命标签，同时设置故障类别标签； 步骤2、样本图构建：在样本图构建模块，对采集的全寿命周期振动信号利用滑动窗口进行采样并提取样本的多个时频域特征，得到特征向量，通过计算各个特征向量之间的皮尔逊相关系数，同时根据设定的阈值T来为各个特征向量之间添加连接边，得到每个样本的样本图；最后，结合步骤1所提供的标签信息，可构建出旋转机械的样本图数据集其中，xi表示样本图数据集中的第i个样本图，和分别表示第i个样本图所对应的故障类别标签和剩余寿命标签，N为样本总数； 步骤3、特征提取：在图卷积模块，利用三层图同构层和三层全局平均池化层对输入的样本图进行特征提取，每层图同构层都由图同构卷积层、批次归一化层、激活层和图池化层组成，上一层图池化层的输出即为下一层图同构卷积层的输入；当输入第i个样本图xi至图卷积模块时，三层图池化层的输出分别为和之后，对和都采用全局平均池化层来进一步池化，得到图卷积模块对第i个样本图xi提取的特征，分别表示为和 步骤4、自注意力机制构建：在自注意力模块，将步骤3中图卷积模块对样本图所提取的特征和进行线性映射，分别得到查询矩阵Q、键矩阵K和值矩阵V，然后基于相似性原则计算注意力分数，得到注意力分数矩阵A；最后，利用注意力分数矩阵A对值矩阵V进行加权，得到输入特征经过自注意力机制加权后的输出P，其中和分别表示输入特征和对应的输出特征； 步骤5、多任务联合训练：在多任务模块，通过并行地构建两个全连接层来实现故障诊断任务和寿命预测任务的联合训练；分别采用步骤4中获得的输出特征和作为故障诊断任务和寿命预测任务的输入，两个任务利用梯度下降算法进行训练，通过前向传播计算联合损失，并基于联合损失通过反向传播更新多任务模型的各部分参数，多任务模型包括样本图构建模块、图卷积模块、自注意力模块和多任务模块，实现联合训练； 步骤6、模型测试：将测试样本图输入经由步骤5训练好的多任务模型，多任务模型同时输出一个自然数和一个[0,1]之间的浮点数，分别表示该样本图所属的旋转机械故障类别及剩余使用寿命情况。

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。