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！

龙图腾网获悉大连理工大学申请的专利一种基于持续优化Mamba网络的机床进给轴精度退化预测性维护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：CN120634533B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202511141238.0，技术领域涉及：G06Q10/20；该发明授权一种基于持续优化Mamba网络的机床进给轴精度退化预测性维护方法是由刘阔;邵奇诺;刘洪强;王星喆;李杰雅;尚伟冬;王永青设计研发完成，并于2025-08-15向国家知识产权局提交的专利申请。

本一种基于持续优化Mamba网络的机床进给轴精度退化预测性维护方法在说明书摘要公布了：本发明属于工业设备健康监测与预测性维护技术领域，公开一种基于持续优化Mamba网络的机床进给轴精度退化预测性维护方法。本发明通过三向振动传感器采集机床进给轴振动信号，经基线矫正、滤波降噪及自编码器特征提取后，构建低维特征向量。利用试验平台轴承全生命周期数据预训练Mamba网络模型，结合动态参数生成机制捕捉状态演化规律，并通过零阶保持规则离散化状态空间方程实现高效时序建模。实际监测中，模型基于部分输入数据预测未来特征序列，计算健康指标并与多级阈值比对，实现健康亚健康初期退化严重退化的四阶段状态判别。进一步引入持续学习机制，通过经验回放与小学习率微调动态更新模型参数，适应工况变化及新型故障模式。

本发明授权一种基于持续优化Mamba网络的机床进给轴精度退化预测性维护方法在权利要求书中公布了：1.一种基于持续优化Mamba网络的机床进给轴精度退化预测性维护方法，其特征在于，步骤如下： 第一步，振动信号采集； 在机床进给轴上部署振动传感器，采集机床的振动信号，并通过振动传感器将机械振动转化为模拟电信号，由多通道数据采集卡进行同步数字化；其中，设定采样频率，每个通道在时间内采样到的振动信号表示为，通过持续采集形成原始的振动信号； 第二步，原始的振动信号预处理与特征提取； 对每个通道的原始的振动信号进行基线矫正、去直流偏量： ； 其中，为采样时间，是去直流后的振动信号，是当前采样的振动信号的平均值； 对已去直流偏量后的振动信号进行带通滤波处理，以去除环境噪声无关干扰，得到滤波后的振动信号： ； 其中，为带通滤波器的单位采样响应；为滤波后的振动信号；N为滤波器长度，阶数为N-1；k为带通滤波器冲击响应的第k个采样点；为采样周期； 从滤波后的振动信号中通过滑动窗口构建时序数据样本： ； 其中，表示第w个滑动窗口样本，L表示滑动窗口的长度，w表示窗口的时间步长索引； 再利用自编码器学习并提取时序数据样本中的一系列时域特征值和频域特征值，生成低维特征向量Z；自编码器由编码器和解码器组成，编码器将输入的时序数据样本映射到低维空间中，输出低维特征向量Z；解码器接受低维特征向量Z和机床进给轴的转速N，重构原始输入； ； ； ； 其中，，为编码器权重，为编码器偏置，为解码器权重，为解码器偏置； 第三步，Mamba模型训练与轴承全生命周期模拟； Mamba模型的训练策略：将采集的轴承全生命周期的振动信号经滑动窗口与自编码器的编码器处理，得到标准化低维特征向量序列：，作为Mamba模型的训练数据集，T为标准化低维特征向量序列的总长度；训练数据集按80%用于训练、20%用于测试进行划分； Mamba模型是选择性状态空间模型，用来在时间维度上对输入标准化低维特征向量序列进行动态建模，其连续时间形式为： ； 其中，表示连续时间下Mamba模型的状态向量；表示状态向量的时间导数，表示状态转移矩阵，表示输入矩阵，表示输出矩阵，为标准化低维特征向量，表示系统的输出信号； 为了提高计算效率，通过零阶保持规则将连续时间系统离散化，得到： ； 其中，表示离散时间下Mamba模型的状态向量，、为由A、B、推导的离散化参数，为离散时间步的输入特征向量； 在Mamba模型的框架中，、、C均由动态参数生成网络根据当前输入的标准化低维特征向量实时生成，使得状态更新过程能自适应输入特征向量的变化； ； 其中，为MLP的可学习参数； 为了进一步挖掘当前输入的标准化低维特征向量各维度之间的依赖关系，在时间维度上动态建模完成后，引入基于变量维度的Mamba状态空间建模过程：将编码器提取得到的低维特征向量按照特征重要性划分为关键变量与辅助变量，即： ； 其中，t为当前时间步的索引，f为当前输入的标准化低维特征向量的维度，为在时间t时刻的第i个特征分量，； 关键变量指对机床进给轴健康状态最敏感、直接反映退化演化趋势的特征分量；辅助变量指对健康状态间接影响或与噪声耦合的次要特征分量；在变量维度的Mamba状态空间建模中，输入特征向量按从关键变量到辅助变量的顺序依次更新隐藏状态，从而捕捉不同输入特征分量之间的依赖性； 沿变量维度的状态更新过程由下式描述： ； 其中，表示变量维度第f个输入特征向量分量的隐藏状态；表示第个输入特征向量分量的隐藏状态；表示时间步t时，第f个特征向量分量的数值；F表示特征总维度数；、分别为变量维度Mamba模型的状态转移矩阵和输入矩阵； 训练阶段，由自编码器输出的标准化低维特征向量作为监督信号，构建基于均方误差的损失函数，形式如下： ； 其中，为Mamba模型预测的下一时刻完整特征向量，为真实目标特征，衡量Mamba模型对低维特征向量时间演化趋势的拟合能力； 通过误差反向传播算法计算网络参数的梯度： ； 其中，表示网络中参数的集合，表示权重矩阵，b表示偏置向量； 使用Adam优化器更新参数： ； 其中，学习率设为范围1~1范围，根据验证集精度动态调整；为损失函数对参数的梯度； 完成训练后，将Mamba模型部署于实际机床进给轴的状态监测任务中，实际在线监测时，当Mamba模型获取到当前一段时间的标准化低维特征向量序列： ； 其中，表示当前时刻的标准化低维特征向量序列，表示t时刻的标准化低维特征向量； Mamba模型利用其在轴承全生命周期数据上学习到的整体变化趋势和序列模式，推导出未来较长一段时间的特征序列： ； 其中，为Mamba模型根据当前输入的特征向量预测出的未来特征向量序列，表示Mamba模型预测的第时间的特征向量，K表示预测时长； 基于推导出的未来特征向量，计算一个综合性的健康指标HI； ； ； 其中，L为预测权重，e为预测偏置，为激活函数； 步骤四：状态预测与预警； 基于历史样本统计分析并结合专家经验设定为健康阈值，高于该健康阈值视为完全健康；为预警阈值，介于和之间为亚健康；为退化阈值，介于和之间为初期退化，低于值为严重退化； 根据健康指标HI与设定健康阈值,,之间的关系，判别当前机床进给轴所处的健康阶段，并生成具体的判别结果并通过界面生成维护建议； 步骤五：持续学习与模型动态优化； 首先，持续监测Mamba模型在最新标准化低维特征向量序列上的预测性和判别标准，当预测误差或健康判别准确率连续一段时间恶化超过预设健康阈值，或积累到一定数量未训练过的新数据样本时，自动进行Mamba模型更新；采用经验回放结合小学习率微调的增量学习策略；经验回放池：维护一个固定大小的缓冲区R，存储少量来自历史不同健康阶段的、具有代表性的标准化低维特征向量序列样本；混合训练批次：在每次增量训练时，从新采集并标注的特征数据中抽取一批样本，记为，并从缓冲区R中抽取一批旧样本，记为，两者混合形成新的训练批次；使用对Mamba模型进行微调。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。