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！

龙图腾网获悉浪潮通用软件有限公司申请的专利一种基于深度学习的设备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：CN120805074B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202511278623.X，技术领域涉及：G06F18/25；该发明授权一种基于深度学习的设备预测性维护方法是由张振宇;米继宗;张韬;赵维彩;高增林;王岳朋设计研发完成，并于2025-09-09向国家知识产权局提交的专利申请。

本一种基于深度学习的设备预测性维护方法在说明书摘要公布了：本申请涉及设备诊断领域，具体公开了一种基于深度学习的设备预测性维护方法，其中方法包括：对训练数据进行时域幅值归一化以及频域加权归一化后，进行双通道特征融合，以得到融合特征向量；使用多组自适应小波核对融合特征向量进行特征提取，以得到自适应时频特征向量；通过统计特性构建权重种群，筛选初始诊断模型的最优初始权重；通过对自适应时频特征向量进行多尺度深度特征计算、时频域注意力特征融合、故障原型对比学习以及预构建的总损失函数，对初始诊断模型进行迭代更新，以得到诊断模型；通过诊断模型，对设备进行诊断。多尺度特征融合和双路注意力机制能协同捕捉短时冲击与长周期模式，克服了传统方法在多样化故障场景的局限性。

本发明授权一种基于深度学习的设备预测性维护方法在权利要求书中公布了：1.一种基于深度学习的设备预测性维护方法，其特征在于，包括： 对训练数据进行时域幅值归一化以及频域加权归一化后，进行双通道特征融合，以得到融合特征向量； 优化Morlet小波基函数参数，使用多组自适应小波核对所述融合特征向量进行特征提取，以得到自适应时频特征向量； 通过自适应时频特征向量的统计特性构建权重种群，并结合差分进化算法筛选初始诊断模型的最优初始权重； 通过对所述自适应时频特征向量进行多尺度深度特征计算、时频域注意力特征融合、故障原型对比学习以及预构建的总损失函数，对所述初始诊断模型进行迭代更新，以得到诊断模型； 通过所述诊断模型，对待测设备进行故障诊断； 所述优化Morlet小波基函数参数，具体包括： 基于标准Morlet小波基函数，结合尺度参数控制小波伸缩、平移参数控制小波时移以及窗函数权重参数调节Sigmoid窗的陡峭度，构建参数化自适应小波基函数； 所述使用多组自适应小波核对所述融合特征向量进行特征提取，以得到自适应时频特征向量，具体包括： 计算每个自适应小波基函数的能量，并通过归一化处理将各小波核能量转换为加权系数； 使用多组自适应小波核对所述融合特征向量进行卷积运算，对卷积结果取模后按能量权重系数加权求和，输出初始自适应时频特征向量； 将提高不同故障类别特征分布的方差作为优化目标，采用演化算法动态优化自适应小波核参数集，以输出自适应时频特征向量； 所述自适应小波核参数集包括小波核尺度参数、平移参数以及窗权重中的至少一种； 所述通过自适应时频特征向量的统计特性构建权重种群，并结合差分进化算法筛选初始诊断模型的最优初始权重，具体包括： 对所述自适应时频特征向量进行均值向量计算，得到特征均值向量； 对所述自适应时频特征向量的协方差矩阵执行奇异值分解得到左奇异矩阵和奇异值对角矩阵； 基于所述特征均值向量、所述左奇异矩阵和所述奇异值对角矩阵，结合随机正交矩阵生成多样性初始权重种群； 对个体损失值大于基准个体损失值的目标个体，通过变异因子和随机选择的多个个体权重进行差分变异操作，得到进化权重种群； 评估进化权重种群中所有个体的损失值，选择损失值最小的个体对应的权重作为所述初始诊断模型的最优初始权重； 所述通过对所述自适应时频特征向量进行多尺度深度特征计算、时频域注意力特征融合，具体包括： 通过可学习查询变换矩阵将多尺度融合特征转换为查询矩阵，通过归一化指数函数处理处理所述查询矩阵后，与时域特征加权输出时域注意力特征向量； 对所述多尺度融合特征进行快速傅里叶变换得到频域表示，通过幅度加权和归一化指数函数计算频域注意力权重，经逆快速傅里叶变换输出频域注意力特征向量； 将时域注意力特征向量与频域注意力特征向量相加，通过层归一化操作输出融合时频域注意力特征向量； 所述通过对所述自适应时频特征向量进行多尺度深度特征计算、时频域注意力特征融合、故障原型对比学习，具体包括： 将融合时频域注意力特征向量输入多层感知机投影网络，转换为低维投影特征向量； 基于动量系数对历史故障原型向量进行加权，结合当前批次同类样本的低维投影特征向量的均值，更新每类故障的原型向量； 计算样本投影特征与真实类别原型向量的余弦距离，并结合所述样本投影特征与其他类别原型向量的距离，通过指数函数和自然对数运算得到原型对比损失； 通过对所述自适应时频特征向量进行多尺度深度特征计算、时频域注意力特征融合、故障原型对比学习以及预构建的总损失函数，对所述初始诊断模型进行迭代更新，以得到诊断模型，具体包括： 在基础损失和原型对比损失基础上，结合随时间衰减的L2正则化项构建总损失函数，其中正则化强度随训练轮次增加呈指数衰减； 采用多元正态分布生成新参数值，通过协方差矩阵自适应进化策略优化动态正则化系数的衰减速率参数； 根据适应度排序选择父代个体，并通过加权平均更新进化分布的均值向量； 基于所述总损失函数，采用自适应矩估计优化器执行模型参数的迭代更新。

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浪潮通用软件有限公司，其通讯地址为：250101 山东省济南市历下区浪潮路1036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。