買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜南京航空航天大學申請的專利一種基于多傳感器融合和ECA-CNN的旋轉機械故障診斷方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117312948B 。

龍圖騰網通過國家知識產權局官網在2025-03-21發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202311256137.9，技術領域涉及：G06F18/241；該發明授權一種基于多傳感器融合和ECA-CNN的旋轉機械故障診斷方法是由汪紅星;朱華;李華峰設計研發完成，并于2023-09-27向國家知識產權局提交的專利申請。

本一種基于多傳感器融合和ECA-CNN的旋轉機械故障診斷方法在說明書摘要公布了：一種基于多傳感器融合和ECA?CNN的旋轉機械故障診斷方法，1）數據采集：采集旋轉機械的關鍵傳動部件各種健康狀態下的多傳感器振動信號；2）數據預處理：對多傳感器振動信號進行采樣、轉換和通道融合，得到具有豐富和全面特征的多通道圖像；3）模型搭建：將高效通道注意力引入到卷積神經網絡中，構建ECA?CNN模型；4）模型訓練：利用多通道圖像樣本集訓練模型；5）故障診斷：利用訓練好的模型對旋轉機械進行故障診斷。本發明實現了多傳感器振動信號的通道融合；將高效通道注意力引入到卷積神經網絡中提高特征學習能力，將注意力集中在更敏感的特征上；構建了具有高計算效率的ECA?CNN模型，從多傳感器融合數據學習具有代表性的故障特征，從而實現故障診斷。

本發明授權一種基于多傳感器融合和ECA-CNN的旋轉機械故障診斷方法在權利要求書中公布了：1.一種基于多傳感器融合和ECA-CNN的旋轉機械故障診斷方法，其特征在于，包括如下步驟：步驟一、數據采集：采集旋轉機械的關鍵傳動部件各種健康狀態下的多傳感器振動信號；步驟一中，在需要診斷的旋轉機械傳動部件附近的不同位置或方向安裝多個傳感器，使用數據采集設備采集各種健康狀態下的多傳感器振動信號；假設旋轉機械的傳動部件有c種健康狀態，包括正常狀態和c-1種故障狀態，在一定的工作條件下，由m個傳感器采集的振動信號定義如下式：{X,y}＝{Xi,yi}，i∈[1,c]1 其中，{X,y}定義為c種健康狀態的信號與標簽，Xi、yi分別表示狀態i的信號與標簽，Xij表示狀態i第j個傳感器的信號，XijN表示Xij的第N個信號點；步驟二、數據預處理：對多傳感器振動信號進行采樣、轉換和通道融合，得到具有豐富和全面特征的多通道圖像；步驟二中，根據樣本長度L和滑動步幅S對采集的多傳感器信號進行滑動窗口采樣，得到的多傳感器信號樣本集定義如下式：{x,y}＝{xi,yi}，i∈[1,c]4 其中，{x,y}定義為c種健康狀態的信號樣本與標簽，xi、yi分別表示狀態i的信號樣本與標簽，表示狀態i第j個傳感器的信號樣本，表示的第k個樣本；將采樣得到的各傳感器信號樣本轉換為二維灰度圖像，長度為L的連續信號段依次填充構造圖像的行，構造圖像的像素值歸一化為0至255之間的整數，對應了灰度圖像的像素強度，構造圖像的像素值定義如下式： 其中，表示的第p個點，max·、min·分別表示取最大和取最小函數，round·表示取整函數；將轉換得到的各傳感器信號樣本的單通道圖像在通道維度上融合為多通道圖像，得到的多傳感器圖像樣本集定義如下式： 其中，{x,y}fusion定義為c種健康狀態的多通道圖像樣本與標簽，yi分別表示狀態i的多通道圖像樣本與標簽，表示的第k個樣本，表示狀態i第m個傳感器的第k個單通道圖像；步驟三、模型搭建：將高效通道注意力引入到卷積神經網絡中，構建ECA-CNN模型；步驟三中，所述ECA-CNN模型由多個CNN-ECA塊、全局平均池化層GAP、分類層即全連接層FC+Softmax函數依次連接組成，CNN-ECA塊的數量根據不同任務需要進行調整；所述CNN-ECA塊由二維卷積層Conv2d、批量歸一化層BN、激活層ReLU、二維最大池化層MaxPool2d和ECA模塊依次連接組成；所述二維卷積層Conv2d，如下式所示： 其中，*表示卷積操作，xil-1表示第l-1層的第i個輸入特征圖，wlij表示第l層第j個卷積核的權重，表示第l層的偏差，表示第l層的第j個輸出特征圖；所述批量歸一化層BN，如下式所示： 其中，hl＝{hl1,…,hlN}表示第l層批量大小為N的輸入特征圖，hln＝{h1ln,…,hkln}，yjln表示第l層的第j個輸出特征圖，uj、σj2分別表示hjl的均值與方差，ε表示一個很小的常數用于防止方差為0時無效的計算，分別表示需要學習的尺度和平移參數；所述激活層ReLU，如下式所示： 所述二維最大池化層MaxPool2d，如下式所示： 其中，max·表示取最大函數，表示第l層的第j個輸入特征圖，s表示池化大小，表示第l層的第j個輸出特征圖；所述ECA模塊，如下式所示： ω＝σC1DkgX21其中，X∈RC×H×W表示卷積后的特征圖，C、H和W分別是特征圖的通道數、高度和寬度，g·表示全局平均池化GAP操作，ψ·表示自適應計算跨通道數量k的函數，C1Dk·表示一維卷積操作，σ·表示Sigmoid函數，b、γ是常數；步驟四、模型訓練：利用多通道圖像樣本集訓練模型；步驟四中，多通道圖像樣本集按照時間序列拆分為訓練集、驗證集和測試集，使用訓練集和驗證集訓練模型，使用訓練好的模型在測試集上預測故障類型來測試模型性能；多通道圖像樣本首先輸入CNN進行特征學習，然后由ECA模塊對學習到的通道特征進行自適應地評分和權重分配，增強與故障信息相關的特征，忽略無關特征，在ECA-CNN模型中，上述操作執行多次，這意味著所需的特征信息被逐層學習，最后，通過全局平均池化層GAP建立特征與結果之間的聯系，通過分類層輸出故障分類結果；所述ECA-CNN模型的訓練采用多分類交叉熵損失函數來衡量故障分類的性能，如下式所示： 其中，y＝[y0,…,yc-1]表示樣本標簽的獨熱編碼，當樣本屬于類別i時yi＝1，否則yi＝0；p＝[p0,…,pc-1]表示模型輸出的預測概率，pi表示樣本屬于第i類的概率；所述ECA-CNN模型的訓練采用Adam優化算法對模型參數進行更新，Adam算法通過計算梯度的一階矩估計和二階矩估計，為不同的模型參數提供獨立的自適應學習率，如下式所示：Lθ＝minθLC23θ←Adam▽θLC,θ,α24其中，θ表示模型參數，α表示Adam優化算法的學習率，▽θLC表示誤差反向傳播求導方式找到的模型參數最優值；步驟五、故障診斷：利用訓練好的模型對旋轉機械進行故障診斷。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南京航空航天大學，其通訊地址為：210000 江蘇省南京市秦淮區御道街29號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。