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！

龙图腾网获悉华北电力大学(保定);河北软件职业技术学院申请的专利一种基于多通道特征融合的永磁发电机偏心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：CN119807860B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202510287393.7，技术领域涉及：G06F18/241；该发明授权一种基于多通道特征融合的永磁发电机偏心故障诊断方法是由何玉灵;刘振华;张文;郭鸿旭;庞子旺;代德瑞;王晓龙;徐明星;张翼;占鹭林;张娜设计研发完成，并于2025-03-12向国家知识产权局提交的专利申请。

本一种基于多通道特征融合的永磁发电机偏心故障诊断方法在说明书摘要公布了：本发明属于永磁发电机故障诊断领域，提供了一种基于多通道特征融合的永磁发电机偏心故障诊断方法，本发明主要通过矩阵变换处理一维三相电流信号，得到递归融合图，采用改进的ConvNeXt网络来进行故障诊断；本发明通过引入二维递归融合图、CBAM注意力机制和FPN特征金字塔网络，显著提升了故障特征提取和诊断能力；二维递归图通过空间结构编码信号的时序依赖，增强了故障特征的可视化效果，有助于更清晰地识别如偏心故障引起的电流波动；CBAM机制通过空间和通道关注机制，优化了模型对关键特征区域和通道的聚焦，提高了故障诊断的精度；FPN通过多尺度特征融合，使得网络能够在不同尺度上识别故障特征，进一步提高了故障诊断的准确性和鲁棒性。

本发明授权一种基于多通道特征融合的永磁发电机偏心故障诊断方法在权利要求书中公布了：1.一种基于多通道特征融合的永磁发电机偏心故障诊断方法，其特征在于，包括以下步骤： 步骤S1：数据采集，采集永磁发电机偏心故障模拟机组的三相电流信号； 步骤S2：构建递归二维融合图，将三相电流时序数据按相转为二维递归矩阵，并将三个二维递归矩阵映射到RGB三通道，形成一张彩色图像； 步骤S3：增加注意力机制，在ConvNeXt网络的ConvNeXtBlock模块中的LayerScale层前融合CBAM注意力模块，得到改进后的ConvNeXtBlock模块； 步骤S4：构建多尺度特征融合金字塔，从每个stage模块后提取特征图，通过上采样操作和横向连接，得到多个尺度的特征图，并在全局平均池化后将特征图拼接成一个特征向量； 步骤S5：网络搭建，基于原始ConvNeXt网络结构搭建新的网络； 步骤S6：网络训练，利用训练集对新的网络进行训练，并用测试集进行测试，得到偏心故障分类识别模型； 步骤S7：通过偏心故障分类识别模型识别永磁发电机偏心故障； 步骤S3包括： S31：ConvNeXtblock模块包括一个深度卷积层和两个普通卷积层；还包括LayerScale层，其处于最后一个卷积层之后； S32：在LayerScale层之前设置CBAM注意力模块，CBAM注意力模块包括特征输入端、通道注意力模块、空间注意力模块和特征输出端； 特征输入端将输入特征图转换为初始特征图，并将其传递给通道注意力模块，通道注意力模块对初始特征图进行通道信息增强，并将权重传递给第一特征映射节点，第一特征映射节点将通道注意力权重与初始特征图逐通道相乘，生成通道注意力增强后的特征图后并输出至空间注意力模块，空间注意力模块在空间域上处理该特征图，并输出空间注意力权重至第二特征映射节点，第二特征映射节点将空间注意力权重与经过通道注意力增强后的特征图逐像素相乘，生成最终的特征图；CBAM注意力模块的具体处理过程如下： 对于输入特征图F∈RC×H×W，其中H和W分别是高度和宽度，C为通道数；首先对特征图的通道维度分别进行全局平均池化和全局最大池化以捕获每个通道的平均信息和最大激活值，全局平均池和全局最大池化生成的两个一维通道描述向量RC×1×1的第n个通道表达式分别表示为： 将两个池化后生成的两个一维通道描述向量分别送入共享的MLP处理并相加，接着通过Sigmoid激活函数归一化，生成通道注意力权重： McF＝σW1W0Favg+W1W0Fmax 将生成的通道注意力权重与输入特征逐通道相乘，得到第一特征映射节点的特征图： 将第一特征映射节点的特征图F′∈RC×H×W在空间维度上分别进行平均池化和最大池化操作生成两个二维特征图R1×H×W，这两个二维特征图位于i,j位置的表达式为： 然后将这两个特征图在通道维度上连接，并通过一个7×7的卷积操作生成空间注意力图Ms： MsF′＝σf7×7[F′avg；F′max] 式中，[；]表示通道连接操作，将空间注意力权重与输入特征逐位置相乘，得到第二特征映射节点的特征图： 步骤S4包括： S41：ConvNeXt网络包括1个Stem、4个Stage和ClassifierHead组成； S42：构建多尺度特征融合金字塔，从ConvNeX网络的四个stage输出提取特征，分别表示为F1，F2，F3，F4，其中F1是最细粒度的特征图，F4是最粗粒度的特征图； 首先，对于每一层特征图Fl，首先进行1×1卷积操作以压缩特征维度： Fl′＝Conv1×1Fl 接着采用插值法进行上采样操作，使得F′l+1的尺寸与Fl′相同： Flup＝UpSampleF′l+1 将上采样后的高层特征图与当前层的低分辨率特征图进行加法融合，得到融合后的新特征图： Flp＝Flup+Fl′ 对融合后的特征图进行3×3卷积操作： FlConv＝Conv3×3Flp 然后，使用全局平均池操作，将每个尺度的特征图转化为一个全局特征向量： Flglobal＝GlobalAvgPoolingFlConv 通过将每一层尺度的全局特征向量拼接起来，得到包含所有尺度信息的最终特征向量： 步骤S6包括： S61：输入图像尺寸，通过卷积层进行下采样，缩小特征图； S62：特征图依次通过四个新的stage模块用于进行2倍的下采样，将特征图下采样； S63：取每个stage的输出特征图F1、F2、F3、F4，然后分别经过一个普通卷积层对每个Stage的输出特征图进行通道对齐；将这四个特征图分别进行全局平均池化得到输出特征图F1global、最后将F1global、进行拼接得到最终特征图 S63：特征图最后线性层后进行输出，并进行故障类型判断； 步骤S2包括： S21：采用互信息系数法，计算电流信号与对应延时信号的互信息量，根据互信息量的第一个局部最小值自适应选取最优延迟时间： 式中，Iτ为互信息量；n为电流信号长度；τ为[1，100]之间所设定的延迟时间；xt为第t个点的电流信号；pxt为电流信号的概率密度；pxt+τ为延时信号的概率密度；pxt,xt+τ为电流信号和延时信号的联合概率密度； 使用最优时延τ*对时间序列进行相空间重构，得到重构向量Xt： Xt＝[xt,xt+τ*,...,xt+m-2τ*,xt+m-1τ*] 式中，m为嵌入维数，τ*是最优延迟时间；对于每一个时间点t，通过计算重构向量Xt和其它时间点的重构向量之间的欧氏距离来判断其在相空间中的邻近关系： 式中，Xit、Xit+k分别是时间点t和t+k对应的重构向量Xt、Xt+k的第i个分量；若在低维空间中相邻的两个点的距离较小，但在高维空间中其距离增大，则这些点被认为是假近邻关系： dXt,Xt+km+1＞dXt,Xt+km×factor 式中，factor常数；随着维数m的增加，假近邻比例逐渐下降，并在某个维数后趋于稳定，此时的维数m*为最优嵌入维数； 相空间重构后，通过计算重构向量之间的欧氏距离来判断相空间点的递归性，从而构建二维递归矩阵： 其中ε为最小距离阈值，递归矩阵R的元素Ri,j表示时间序列第i个点和第j个点之间的递归关系；H为Heaviside函数，如果两个点之间的距离小于或等于ε，则它们被视为递归点，标记为1；否则，标记为0； S22：将得到的二维递归矩阵逐一归一化，并将其映射到R、G、B三通道并融合为一张彩色图像。

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北电力大学(保定);河北软件职业技术学院，其通讯地址为：071000 河北省保定市莲池区永华北大街619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。