買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜浙大城市學(xué)院申請(qǐng)的專(zhuān)利基于STFT-IncepNext的航空發(fā)動(dòng)機(jī)軸承故障診斷方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN118551302B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-15發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202410407142.3，技術(shù)領(lǐng)域涉及：G06F18/2431；該發(fā)明授權(quán)基于STFT-IncepNext的航空發(fā)動(dòng)機(jī)軸承故障診斷方法是由萬(wàn)安平;張華;彭晨;蔣俊杰;胡羅克;陳挺;紀(jì)曉聲;程曉民;劉麗;王景霖;單添敏設(shè)計(jì)研發(fā)完成，并于2024-04-07向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本基于STFT-IncepNext的航空發(fā)動(dòng)機(jī)軸承故障診斷方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于STFT?IncepNext的航空發(fā)動(dòng)機(jī)軸承故障診斷方法，包括如下步驟：步驟1、采集軸承在各種工況和故障狀態(tài)下的加速度信號(hào)，作為樣本數(shù)據(jù)；步驟2、先確定每個(gè)傳感器的采樣點(diǎn)數(shù)，并對(duì)同一時(shí)間序列下不同位置的傳感器采集的數(shù)據(jù)進(jìn)行排列組合，以進(jìn)行數(shù)據(jù)拼接；接著利用短時(shí)傅里葉變換將融合后的振動(dòng)信號(hào)轉(zhuǎn)換為時(shí)頻圖；步驟3、數(shù)據(jù)預(yù)處理：根據(jù)故障類(lèi)別劃分訓(xùn)練集、測(cè)試集和驗(yàn)證集，并將轉(zhuǎn)換后的時(shí)頻圖使用均值和標(biāo)準(zhǔn)差進(jìn)行歸一化；步驟4、構(gòu)建IncepNext模型，并對(duì)其進(jìn)行訓(xùn)練和驗(yàn)證；步驟5、利用訓(xùn)練好的IncepNext模型對(duì)航空發(fā)動(dòng)機(jī)軸承故障進(jìn)行診斷，獲取診斷結(jié)果。本發(fā)明可以有效識(shí)別航空發(fā)動(dòng)機(jī)軸承故障，能夠保證故障的識(shí)別率，具有良好的準(zhǔn)確性。

本發(fā)明授權(quán)基于STFT-IncepNext的航空發(fā)動(dòng)機(jī)軸承故障診斷方法在權(quán)利要求書(shū)中公布了：1.基于STFT-IncepNext的航空發(fā)動(dòng)機(jī)軸承故障診斷方法，其特征在于：包括如下步驟：步驟1、數(shù)據(jù)采集：通過(guò)安裝在航空發(fā)動(dòng)機(jī)軸承不同位置的加速度傳感器，采集軸承在各種工況和故障狀態(tài)下的加速度信號(hào)，作為樣本數(shù)據(jù)；步驟2、信號(hào)處理：首先確定每個(gè)傳感器的采樣點(diǎn)數(shù)，并對(duì)同一時(shí)間序列下不同位置的傳感器采集的數(shù)據(jù)進(jìn)行排列組合，以進(jìn)行數(shù)據(jù)拼接；接著利用短時(shí)傅里葉變換將融合后的振動(dòng)信號(hào)轉(zhuǎn)換為時(shí)頻圖；步驟3、數(shù)據(jù)預(yù)處理：根據(jù)故障類(lèi)別劃分訓(xùn)練集、測(cè)試集和驗(yàn)證集，并將轉(zhuǎn)換后的時(shí)頻圖使用均值和標(biāo)準(zhǔn)差進(jìn)行歸一化；步驟4、構(gòu)建IncepNext模型，將訓(xùn)練集中的時(shí)頻圖輸入IncepNext模型進(jìn)行訓(xùn)練，由驗(yàn)證集和測(cè)試集確定IncepNext模型參數(shù)；步驟5、利用訓(xùn)練好的IncepNext模型對(duì)航空發(fā)動(dòng)機(jī)軸承故障進(jìn)行診斷，獲取診斷結(jié)果；所述IncepNext模型包括輸入層、多尺度分支卷積模塊、EdgeNeXt網(wǎng)絡(luò)模塊、全連接層和輸出層；所述輸入層的輸入形式為B×H×W×C的多維數(shù)組，B為輸入批次大小，H、W和C分別表示輸入圖像的長(zhǎng)、寬和通道數(shù)；所述多尺度分支卷積模塊包括3個(gè)存在不同卷積核尺寸和通道數(shù)的分支，其中，池化分支的引入保留了輸入特征的全局信息；所述EdgeNeXt網(wǎng)絡(luò)模塊包括N×N自適應(yīng)內(nèi)核大小的卷積編碼器和可分離的深度轉(zhuǎn)置注意力編碼器；其中，卷積編碼器由以下部分組成：具有自適應(yīng)核大小的動(dòng)態(tài)深度卷積，分別用尺寸大小為k＝3、5、7、9的卷積核來(lái)對(duì)應(yīng)四個(gè)階段下的不同尺度；然后通過(guò)兩個(gè)Point-wiseCNN層來(lái)豐富局部表示，同時(shí)使用標(biāo)準(zhǔn)層歸一化和高斯誤差線性單元激活來(lái)進(jìn)行非線性特征映射，最后利用跳動(dòng)連接，使前后信息在網(wǎng)絡(luò)層次結(jié)構(gòu)中流動(dòng)，表示為：xi+1＝xi+LinearGLinearLNDωxi；其中，xi表示形狀為H×W×3的輸入特征圖，LinearG表示Point-wiseCNN以及GELU共同作用層，LN表示歸一化層，Dω表示動(dòng)態(tài)深度卷積；深度轉(zhuǎn)置注意力編碼器模塊包括兩個(gè)部分，第一部分通過(guò)對(duì)數(shù)據(jù)在不同空間層次上進(jìn)行編碼，從而加強(qiáng)網(wǎng)絡(luò)學(xué)習(xí)自適應(yīng)多尺度特征的表征能力，表示為： 其中，yi-1表示di-1的輸出；s表示子集的數(shù)量，基于階段數(shù)t自適應(yīng)，t∈2,3,4；第二部分采用轉(zhuǎn)置Q、K注意力特征圖，通過(guò)這種方式原本在空間維度進(jìn)行的點(diǎn)乘操作轉(zhuǎn)移到了通道維度，實(shí)現(xiàn)了通道間交叉協(xié)方差的計(jì)算，以捕獲全局性的特征表示和隱含知識(shí)；注意力特征圖表示為： s.t.AttentionQ,K,VSoftmaxQT·K；其中，X表示輸入特征，Q,K,V分別表示注意力權(quán)重，Attention表示注意力操作，softmax為激活函數(shù)；所述全連接層用于整合已處理后的信息，獲取單通道數(shù)據(jù)；所述輸出層使用Softmax對(duì)數(shù)據(jù)進(jìn)行誤差反向傳播，以?xún)?yōu)化IncepNext模型直到其收斂。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人浙大城市學(xué)院，其通訊地址為：310015 浙江省杭州市拱墅區(qū)湖州街51號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。