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！

龙图腾网获悉江南大学申请的专利基于自注意力机制的多尺度特征融合齿轮箱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：CN116010900B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202310019070.0，技术领域涉及：G06F18/25；该发明授权基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法是由陶洪峰;史浩进;沈凌志;黄远设计研发完成，并于2023-01-06向国家知识产权局提交的专利申请。

本基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法在说明书摘要公布了：本发明公开了基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，涉及故障诊断技术领域，该方法包括：将齿轮箱一维原始振动信号利用随机划窗得到固定长度诊断样本；构建基于自注意力机制的多尺度特征融合故障诊断模型并使用Softmax函数作为分类器进行训练；利用动态裁剪Adam优化器通过反向传播方法进行模型训练；保存训练完成的故障诊断模型进行在线诊断。本发明通过不同尺度的卷积核分别提取齿轮箱原始振动信号的低频特征与局部时域特征，其次引入改进自注意力机制构建多尺度特征融合网络代替传统拼接方法，进一步挖掘振动信号的时频特征内在联系以提高模型诊断性能；同时引入批量归一化减少内部变量偏移，实现智能高效的端到端故障诊断。

本发明授权基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法在权利要求书中公布了：1.基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，其特征在于，包括以下步骤： 步骤一：获取齿轮箱不同故障模式下的振动信号，所述振动信号为一维时序数据； 步骤二：利用相同大小的滑动窗口截取所述一维时序数据获得样本，并根据实际故障类型设置各样本标签；按照预设比例将所得样本划分成训练集、验证集与测试集； 步骤三：构建基于自注意力机制的多尺度特征融合故障诊断模型； 所述基于自注意力机制的多尺度特征融合故障诊断模型包括并行的低频特征提取通路及局部时域特征提取通路、特征融合网络及分类网络； 所述低频特征提取通路和所述局部时域特征提取通路均包括卷积层、池化层及批归一化层，输入为齿轮箱原始振动信号，输出为大小相同的特征向量；所述低频特征提取通路采用大卷积核，所述局部时域特征提取通路采用小卷积核；所述特征融合网络包括MHSA模块、改进的CBAM模块及批归一化层；所述分类网络包括池化层、全连接层和Softmax分类器，利用平均池化以降低特征维度，采用一层全连接及Softmax分类器进行故障特征分类；所述CBAM模块的激励函数选用Sigmoid，模型其余激活函数均选用Relu； 步骤四：将所述训练集输入构建的故障诊断模型进行训练； 训练时先将所述训练集中的有标签样本输入至所述故障诊断模型得到预测输出，再与真实的标签计算交叉熵损失然后使用Adam优化器反向传播优化网络参数，直到训练损失稳定到设定值以下或达到迭代次数； 步骤五：将待检测振动信号样本按照一定长度进行截取，输入步骤四中训练完成的故障诊断模型，得到故障诊断结果； 其中，所述CBAM模块通过将注意力映射沿特征向量的通道与空间两个独立的维度注入；在通道注意力中，采用压缩输入特征映射的空间维度的方法；在空间注意力中，沿着通道维度进行平均池化和最大池化，并将它们连接起来以描述特征信息；通过分配各自注意力权重，对输入的特征向量进行自适应特征细化，进一步学习故障敏感信息；CBAM模块的输入为MHSA模块的输出，输入前经过批归一化处理，CBAM模块的数学模型如下： ； ； ； ； 其中，为MHSA模块输出的特征向量，与分别为通道注意力与空间注意力，表示对应位置元素相乘，表示多层感知机，与分别表示平均池化与最大池化，为卷积操作，为Sigmod激活函数； 对所述空间注意力进行改进，改进后的1D-CBAM模块的空间注意力与原通道注意力相同，均使用并行全连接层替代卷积操作；同时在MHSA模块输出与主要特征输入之间引入残差连接，则所述改进后的1D-CBAM模块的空间注意力的数学模型更新为： ； 。

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江南大学，其通讯地址为：214122 江苏省无锡市滨湖区蠡湖大道1800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。