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！

龙图腾网获悉湖南师范大学申请的专利融合CNN与图注意力网络的旋转设备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：CN120670828B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202511099251.4，技术领域涉及：G06F18/213；该发明授权融合CNN与图注意力网络的旋转设备故障诊断方法是由马天雨;丁健奎;孙世浩设计研发完成，并于2025-08-06向国家知识产权局提交的专利申请。

本融合CNN与图注意力网络的旋转设备故障诊断方法在说明书摘要公布了：本申请提出一种融合CNN与图注意力网络的旋转设备故障诊断方法。多传感器分别捕捉电机、轴承、齿轮箱、联轴器和旋转负载各部位的关键运行信号，通过GRU网络输入至多通道注意力模块后输出特征序列，将特征序列拼接成二维特征矩阵输入至CNN与混合注意力机制模块，得到各部位故障特征；将故障特征按照时间序列分窗并依据重要性动态加权后重组；以不同部位重组特征作为节点、节点间的显著交互关系作为边，构建全局故障诊断图；通过图注意力网络学习各节点间的交互信息并聚合，得到全局故障特征；构造图网络联合优化损失函数，分析并优化模型参数。本模型通过多阶段融合的方式，全面挖掘故障信息，极大提升了故障诊断的准确性。

本发明授权融合CNN与图注意力网络的旋转设备故障诊断方法在权利要求书中公布了：1.融合CNN与图注意力网络的旋转设备故障诊断方法，其特征在于，包括： 使用多传感器采集不同部位关键运行信号：①对电机采集电流、电压、温度和振动信号，②对轴承采集振动和温度信号，③对齿轮箱采集振动和温度信号，④对联轴器采集振动、温度和声音信号，⑤对旋转负载采集转速、温度和振动信号，将各信号分别输入至各自的GRU网络中，并以GRU网络每一个时间步的隐藏层状态作为多通道注意力模块一个通道的输入，通过多通道注意力模块对不同通道加权生成特征向量，将各通道生成的特征向量沿着通道维度进行拼接，使得二维特征矩阵的每一行对应一个通道的特征向量，每一列对应特征向量中的一个特征点，将二维特征矩阵输入CNN与混合注意力模块深层次提取特征及其权重，4层CNN网络分别采用7*7、3*3、3*3和1*1的多尺度卷积核，并在每一层CNN后接入混合注意力机制进行加权和局部调整，最终得到旋转设备各部位不同信号的精细化故障特征； 对旋转设备各部位不同信号的精细化故障特征根据其时间特性按固定的时间间隔划分成N个时间窗,如公式1所示，其中T为总时间步数、W为时间窗大小、S为步长，对第i个时间窗按公式2计算两不同时间步特征之间的相似度，进而得到第i个时间窗的相似度矩阵，其中j和k为两个不同的时间步、f为时间步特征，运用softmax函数归一化之后得到该时间窗的权重矩阵，对时间窗内的特征按公式3依据权重矩阵加权后得到局部聚合特征，其中为第i个时间窗中第j时间步的特征，并将所有时间窗的按时间先后顺序拼接，最终得到各部位不同信号的时间窗拼接特征，其中N为时间窗数量，d为特征维度； 11 2 3 将电驱动系统视为一个图拓扑结构，其内部电机、轴承、齿轮箱、联轴器和旋转负载看作图网络的节点、节点之间的连接或耦合关系看作边，并以各部位不同信号的时间窗拼接特征作为图网络的节点特征信息，其中：①电机节点包括电流谐波畸变率、定子模态频率响应、电压波动和温度4种信号特征，②轴承节点包括内、外圈故障特征频率和温度2种信号特征，③齿轮箱节点包括齿轮啮合频率和温度2种信号特征，④联轴器节点包括振动、温度和声音3种信号特征，⑤旋转负载节点包括转速、温度和振动3种信号特征，并以两节点间故障传播影响程度作为边信息，构建全局故障诊断图； 将各节点的特征通过可学习的线性变换矩阵映射为Query值和Key值向量，使用共享的注意力机制函数LeakyReLU计算不同节点之间的注意力系数，并结合边信息对注意力系数进行调制，再将所有注意力系数归一化得到注意力权重，并对节点特征加权，将不同节点加权后的特征通过多头注意力机制在不同的子空间中进行学习，最后将各个头的输出进行整合，得到全局故障特征Z； 构造图网络联合优化损失函数，分析并调整模型参数。

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湖南师范大学，其通讯地址为：410081 湖南省长沙市岳麓区麓山路36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。