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！

龙图腾网获悉中国计量大学申请的专利基于数字孪生辅助的轴承智能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：CN120781711B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202511279724.9，技术领域涉及：G06F30/27；该发明授权基于数字孪生辅助的轴承智能故障诊断方法是由陆佳炜;陆超;王琪冰;夏彬淳;李琛;陈坚伟设计研发完成，并于2025-09-09向国家知识产权局提交的专利申请。

本基于数字孪生辅助的轴承智能故障诊断方法在说明书摘要公布了：一种基于数字孪生辅助的轴承智能故障诊断方法，属于轴承故障诊断领域，所述方法包括以下步骤：第一步，构建基于数字孪生的轴承故障诊断五维模型框架；第二步，物理实体层PEL与虚拟构建层VCL虚实相映；第三步，在检测对象DO中建立轴承动态仿真模型；第四步，在数据交互层DIL中进行数据增强；第五步，在数据交互层DIL中的DTA‑SSCLMB模型进行数据预处理；第六步，在数据交互层DIL中的FDM使用DTA‑SSCLMB模型进行自监督时频对比学习；第七步，对数据交互层DIL中的DTA‑SSCLMB进行模型的微调，以完成故障诊断。本发明提升在样本稀缺条件下的故障诊断能力。

本发明授权基于数字孪生辅助的轴承智能故障诊断方法在权利要求书中公布了：1.一种基于数字孪生辅助的轴承智能故障诊断方法，其特征在于，所述方法包括以下步骤： 第一步，构建基于数字孪生的轴承故障诊断五维模型框架，过程如下： 步骤1.1设计五维数字孪生模型框架FDMFDT，FDMFDT包括物理实体层PEL、虚拟构建层VCL、数据交互层DIL、服务应用层SAL和检测对象DO； 步骤1.2构建PEL，获取机电设备的物理实体的几何尺寸、物理尺寸与运行数据，通过对PEL数据的收集，为DO中的轴承检测对象提供了物理基础，并为VCL中的虚拟实体提供机电设备的几何尺寸、物理尺寸与实际运行数据； 步骤1.3构建VCL，通过与PEL建立虚实结合的关系，实时接收来自PEL的数据，并在数字环境中模拟和分析物理系统的状态和变化； 步骤1.4构建DIL，DIL通过信号传输协议实现框架内的信息交换，DIL是连接SAL和DO之间的桥梁，通过交互所得的数据对其进行数据增强生成仿真数据，然后通过故障诊断模型FDM进行诊断； 步骤1.5构建SAL，SAL提供设备运行模拟、轴承运行模拟与数字孪生可视化界面，将DIL中的故障诊断结果给呈现出来； 步骤1.6构建DO，从PEL中通过传感器获取相应的数据，并构建动力学数字孪生模型，为VCL提供理论依据； 第二步，物理实体层PEL与虚拟构建层VCL虚实相映，获取物理实体的几何尺寸、物理尺寸、运行数据，通过数字孪生建模工具在VCL中构建虚拟实体； 第三步，在检测对象DO中建立轴承动态仿真模型； 第四步，在数据交互层DIL中进行数据增强； 第五步，在数据交互层DIL中的DTA-SSCLMB模型进行数据预处理，对增强后的数字孪生仿真数据与真实检测对象数据分别进行归一化处理与数据划分，将设定百分比的数据划分为无标签的时域数据，剩下的数据划分为有标签的时域数据； 第六步，在数据交互层DIL中的FDM使用DTA-SSCLMB模型进行自监督时频对比学习；过程如下： 步骤6.1使用基于通道-空间注意机制的选择性卷积核SKCS优化自监督时频对比学习，自监督时频对比学习网络是由时域编码器与频域编码器构成，而每一个编码器中的神经网络是由Resnet-18组成，时域编码器与频域编码器拥有相同的网络架构，但是不共享参数； 步骤6.2对从第五步中获得的进行快速傅里叶变换，获得频域数据； 步骤6.3将通道注意力机制CAM与空间注意力机制SAM连接构成通道-空间注意力机制CSAM；过程为： 步骤6.3.1设计CAM，CAM是通过建模特征通道之间的依赖关系，为模型的每个通道分配权重； 步骤6.3.2设计SAM，SAM通过特征图空间位置的依赖关系，为每个像素位置分配权重，突出图片中的关键区域； 步骤6.3.3将CAM与SAM连接构成CSAM； 步骤6.4将CSAM嵌入到选择性卷积核SK中，构成SKCS；过程为： 步骤6.4.1通过选择性卷积操作，获得卷积向量T与K； 步骤6.4.2将卷积向量T与K进行融合，获得包含T与K特征信息的V；通过批量归一化层BN、ReLU将其潜在信息嵌入到，通过上述操作，获得的F是包含T与K特征的低维通道压缩信息； 步骤6.4.3将T,K与F在选择Select中获得最终特征图Y，使用SoftMax函数从通道压缩信息F中选择对应的信息，与CSAM中获得通道-空间信息组合获得软注意信息W与H，最后通过W与H获得最终特征图； 步骤6.5将构建好的SKCS嵌入到Resnet中，构成SKCS-Resnet； 步骤6.6由SKCS-Resnet链接构建的时频域编码器，经编码处理后，分别获得时域编码器与频域编码器； 步骤6.7使用改进的互相关损失矩阵来衡量频域数据与时域数据之间的相关性，并通过损失函数训练模型； 第七步，对数据交互层DIL中的DTA-SSCLMB进行模型的微调，设计平滑小波优化方法SWK，将拉普拉斯小波核作为神经网络第一层卷积权重的初始化参数，以完成在下游任务中的故障诊断，过程如下： 步骤7.1将参数更新后的时域编码器提取出来用于微调环节，而频域编码器用于预训练环节以增强特征表达能力，不参与微调环节； 步骤7.2设计平滑小波核SWK作为模型的微调优化方法，过程为： 步骤7.2.1设计SWK，它能够从输入信号的特性提取相应特征，并且提取的特征具有物理意义； 步骤7.2.2引入拉普拉斯小波优化SWK； 步骤7.2.3结合步骤7.2.1的SWK与步骤7.2.2中的拉普拉斯小波的实部获得拉普拉斯小波的字典； 步骤7.2.4利用sigmoid激活函数对拉普拉斯小波字典的指数部分进行归一化处理； 步骤7.3使用步骤7.2.4所得的优化时域编码器第一层卷积的参数，时域编码器的卷积前向传播； 步骤7.4，最后，将优化后的编码器使用交叉熵损失函数进行训练，以识别故障类型。

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中国计量大学，其通讯地址为：310018 浙江省杭州市下沙高教园区学源街258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。