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！

龙图腾网获悉北京化工大学;中国北方发动机研究所(天津)申请的专利一种数据驱动的柴油机振动信号中故障信息定位识别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：CN115597879B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202210985943.9，技术领域涉及：G01M15/12；该发明授权一种数据驱动的柴油机振动信号中故障信息定位识别方法是由茆志伟;李贺;智海峰;阴晋冠;张进杰;江志农设计研发完成，并于2022-08-16向国家知识产权局提交的专利申请。

本一种数据驱动的柴油机振动信号中故障信息定位识别方法在说明书摘要公布了：一种数据驱动的柴油机振动信号中故障信息定位识别方法，属于设备状态监测与诊断技术领域。首先，设收集柴油机故障变化实验数据，并划分训练集、验证集、测试集样本，并建立对应标签集；其次，建立带有稀疏注意力模块、标签预测模块与先验分布模块的故障定位模型，并建立模型训练方法；再次，多次训练获取多个故障定位模型组成模型集合；最终，建立模型评价指标，从模型集合中获取指标最优下的故障定位模型，获取其稀疏权值向量，分析稀疏向量的值为1的位置，以定位故障信息，为机组的检维修提供数据支撑。

本发明授权一种数据驱动的柴油机振动信号中故障信息定位识别方法在权利要求书中公布了：1.一种数据驱动的柴油机故障信息定位方法，其特征在于，包括以下步骤： 第一步：建立样本数据集 1.1按故障分布收集柴油机实验数据，整理得到总样本集D，如公式1，2，3所示： 其中，D为总样本集，指元素数量为T×N×K，定义在实数域中的三维数组，指T,N,K均为正整数,代表正整数集合；在故障诊断中，T代表故障类别数量，N代表每一类故障下的样本数量，,K代表每个样本所包含的序列点数；Ft指第t类故障样本集； 其中，F指一类故障样本集，X为任意样本；指总样本集D中的任意一类故障样本集F，其元素数量应为N×K，其定义在实数域中；任意样本X，其元素数量应为K，其定义在实数域中；任意一类故障样本集F，其所包含的样本数量为N；任意样本X，其序列点数均为K； 1.2将采集的信号进行归一化处理，即每一个样本X按照以下方式更新，如公式4所示： 其中，xnew为归一化后的样本，xmin为样本x序列中最小值，xmax为样本x序列中最大值，xmean为样本x序列中平均值； 1.3将总样本集D按照样本数量划分训练集、验证集和测试集，比例为5:1:1,记作Da,Db,Dc,并对所有样本按照故障进行标准独热编码作为该样本的标签，记X的标签记作l,由标准独热编码可知,任意标签l的元素数量均为T；则由样本总集合为D可获取标签总集合L，可知指元素数量为T×N×T，定义在实数域中的三维数组； 第二步：建立基于先验机制的故障定位模型 故障定位模型的目的为定位样本X中的故障信息，模型由三个模块构成，第一模块为稀疏注意力模块，实现定位故障信息能力的基本模块；第二模块为标签预测模块，是基于其作用为保证故障信息定位的准确性；第三个模块为先验分布模块，其作用为保证故障信息定位的结果符合柴油机故障冲击具有短时连续性的机理； 2.1建立稀疏注意力模块如下； 将样本X的序列点数为K，如公式5所示： 建立可训练的注意力权重向量ws，需注意，ws对所有样本共享，过程如公式6所示： 建立稀疏权重向量m，需注意，m对所有样本共享，如公式7所示： m＝[m1,m2,…,mi,…,mK]T∈{0,1}K7 其中，指元素数量为K，定义在实数域的一维向量；{0,1}K指元素数量为K，仅定义在正整数0与1的一维向量；xi为样本x的第i个片段,为xi在注意力权重向量ws中对应的值，mi为xi在稀疏权重向量m中对应的值，ws中所有元素的初始值设置采用标准He初始化，m中所有元素的初始值设置为1； 建立稀疏注意力机制中样本X更新方式，如公式8所示： 其中，为稀疏样本；Sigmoid为Sigmoid激活函数；⊙为向量对应位置相乘标志；X为样本，m为稀疏权重向量，ws为机制中可训练的注意力权重向量；指经过上述公式8的运算后，中的元素数量仍为K，其定义域仍在在实数域； 2.2建立标签预测模块,过程如公式9所示： 其中,1DCNN指取任意的一维卷积神经网络的诊断模型，由于稀疏注意力机制的输出未改变样本X的元素数量与定义域，当前成熟的任意的一维卷积神经网络的诊断模型均可采用所述稀疏注意力机制作为前置；为稀疏样本；W为所述的一维卷积神经网络诊断模型中所有可训练的参数；为预测标签,指元素数量为T，定义在实数域中的数组； 2.3建立先验分布模块,过程如公式10所示： 其中,p即为先验分布模块；K为样本X的序列点数；β为的损失平衡系数,β与K的位数相关，当K为两位数及以下时，β＝0.01，当为两位以上时，为K值的位数；ws′为ws求一阶导数；|·|为求绝对值；ReLU指标准的ReLU函数； 2.4所述故障定位模型需定义损失函数，训练方法与迭代次数，如下所示； 建立损失函数,如公式11所示： 其中，cc为categoricalcrossentropy标准多分类交叉熵损失函数,它需设置预测标签与真实标签；为预测标签，l为真实标签；Loss即为预测标签与真实标签l计算的损失函数； 建立训练方法，如公式12所示： Adam0.001,minimizeLoss12其中，Adam0.001为标准初始学习率为0.001的Adam训练算法；minimizeLoss指学习目标为Loss最小化 建立迭代次数EP，EP为正整数，其数值与训练目标相关，在单次训练过程中，Loss随EP的增加而不断降低，需不断增大EP直至Loss不再下降； 第三步：建立训练机制，训练故障定位模型 3.1将训练集Da导入故障定位模型训练，在验证集Db上验证；训练完成后，取在测试集Dc上Loss最小的模型，导出其ws,W，m与测试集诊断准确率acc；此过程如下式13表示： 其中，U指所述训练过程，指第i次训练后，在测试集Dc上Loss最小的模型；导出在该模型中的，可训练的注意力权重向量ws,一维卷积神经网络诊断模型中所有可训练的参数W，稀疏权重向量m,测试集诊断准确率acc,分别记作 3.2建立η，即训练次数，为正整数；定义稀疏阈值ε及其训练方法，稀疏权重向量m的训练方法； ε的训练方法如公式14所示： 其中，ε为稀疏阈值；η指工设定的训练次数，其值与测试集诊断准确率acc相关，当某次训练结束后，故障定位模型结果中时，η需进一步增大，即进行下一轮训练，直至指第η-1次训练后，测试集诊断准确率； 稀疏权重向量m的训练方法，如公式15所示： 其中，⊙为向量对应位置相乘标志,为第i次训练后，稀疏权重向量m和注意力权重向量ws的值；ε为稀疏阈值；η为训练次数；为对应位置相乘后所得向量的第j个序列点；K为样本X的序列点数，数值上也等于的序列点数；为第i+1次训练故障定位模型需输入的稀疏权重向量； 3.3设置相邻训练次数之间的其他权值训练方法，即: 其中，⊙为向量对应位置相乘标志,分别为第i次训练后，注意力权重向量ws的值和一维卷积神经网络诊断模型中所有可训练的参数W的值；分别为第i+1次训练所需输入的稀疏权重向量m的值，注意力权重向量ws的值和一维卷积神经网络诊断模型中所有可训练的参数W的值； 3.4遍历所有训练次数，获取η个故障定位模型，组成集合V，即 第四步：建立评价方法，选取最优模型并定位故障信息 4.1建立基于稀疏阈值ε与测试集诊断准确率acc的模型评价指标，如公式18所示： J＝θ×acc+1-θ×ε,θ∈0,118 其中，θ为的评价衡量系数，用以调节测试集诊断准确率acc与稀疏阈值ε在评价指标中的占比；θ与故障类别数量T相关，推荐当2T10时，θ＝0.1×T；当T≥10时，ε为稀疏阈值； 4.2在集合V中，获取当J最大时的故障定位模型，导出该模型下的稀疏权值向量m，读取其中值为1的位置，即故障信息发生所在的信号片段。

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北京化工大学;中国北方发动机研究所(天津)，其通讯地址为：100029 北京市朝阳区北三环东路15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。