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！

龙图腾网恭喜中国人民解放军海军航空大学申请的专利一种基于时序记忆增强网络的滚动轴承故障诊断方法及终端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：CN116861288B 。

龙图腾网通过国家知识产权局官网在2025-03-07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：202310774560.1，技术领域涉及：G06F18/24；该发明授权一种基于时序记忆增强网络的滚动轴承故障诊断方法及终端是由曲建岭;陈永展;王小飞;王元鑫;戴豪民;袁涛;高艳丽设计研发完成，并于2023-06-28向国家知识产权局提交的专利申请。

本一种基于时序记忆增强网络的滚动轴承故障诊断方法及终端在说明书摘要公布了：本发明提供一种基于时序记忆增强网络的滚动轴承故障诊断方法及终端，涉及滚动轴承故障检测技术领域，本发明针对CNN‑LSTM网络处理小样本含噪数据时诊断误差较大的问题，通过CNN自适应提取时序数据的故障特征，其次通过对LSTM的输入数据进行递推平均滤波，增强了对时序含噪数据的处理能力，再次通过耦合LSTM单元的遗忘门和输入门，将两者分别与记忆单元相连，提高了时序数据的记忆能力，更加适合小样本数据的学习，最后利用全连接层后的Softmax函数实现多轴承故障状态的识别。基于凯斯西储大学滚动轴承数据集上的实验表明，该模型在标准数据和加噪数据的平均准确率较高，还具有较高的诊断精度和泛化性能。

本发明授权一种基于时序记忆增强网络的滚动轴承故障诊断方法及终端在权利要求书中公布了：1.一种基于时序记忆增强网络的滚动轴承故障诊断方法，其特征在于，方法包括：Step1：获取滚动轴承的振动信号；构建样本长度为len、重复采样间隔为s的时间序列固定段的数据集；时间序列固定段的样本和标记分别为X1,X2,…,Xm和y1,y2,…,ym，其中，数据集的样本X1表示为x1,x2,…,xlen，样本X2表示为x1+s,x2+s,…,xlen+s，依次类推，样本Xm表示为x1+m-1s,x2+m-1s,…,xlen+m-1s；Step2：对数据集进行归一化处理；Step3：将数据集划分为训练集和测试集两部分，并使用One-hotencoding进行标签化处理；Step4：构建CNN-LSTM-TSME模型，CNN-LSTM-TSME模型的输入为时间序列的样本，输出为时间序列的分类；Step5：使用网格搜索算法确定批大小、LSTM网络的隐藏单元数最优初始模型参数；Step6：对CNN-LSTM-TSME模型使用BPTT反向传播进行训练，提取特征信息，并学习故障特征；Step7：当CNN-LSTM-TSME模型的均方误差损失率趋于稳定后，停止训练，并保存CNN-LSTM-TSME模型的训练权重；Step8：用测试集测试训练CNN-LSTM-TSME模型的性能，计算评价指标，输出计算结果，结束计算；Step1还包括：配置输入序列为X＝[x1,x2,...,xN]，其中N为数据长度；卷积核从数据集第一个样本点进行卷积运算直到最后一个样本点，其中第j个卷积核的特征映射为： 式中，L为卷积核的大小；卷积运算结束后，将结果输入Relu激活函数以激活网络中的神经元；Relu激活函数表达式为： 卷积层输出结果为： 式中，为第l层的输入，同时也是第l-1层的输出；σ为激活函数；Mj为输入映射层的集合；为第l层卷积核的权重矩阵；为偏置项；全连接层将池化层的输出结果全部连接并输出至分类器；全连接层正向传播输出为 式中，xl+1j为第l+1层第j个输出神经元的logits值；Step1还包括：设置重叠采样的训练样本有N个数据点，采样后的单个样本长度为len，重复率为γ，则采样训练样本数m为： 其中为向下取整符号；方法还包括：通过如下方式改进LSTM网络：1对遗忘门和输入门进行耦合，耦合后，输入门的激活值＝1-遗忘门的激活值，使得新时刻输入值直接影响被遗忘的信息状态；2选用递推平均滤波作为xt的滤波器，设置长度为len的队列，该队列中的len个振动数据的算术平均值作为t时刻输入，记为Filterxt；下一时刻队列数据将丢弃队首数据，同步更新采集到的数据作为队尾数据；递推平均计算公式如下： 3新增两处孔连接，使遗忘门能接受t-1时刻记忆单元Ct-1作为输入，输出门能接受t时刻记忆单元Ct作为输入；改进LSTM网络的具体计算公式如下：ft＝σWf*[ct-1,ht-1,Filterxt]+bf6式中，ft为遗忘门的激活值，σ为激活函数，Wf为遗忘门的权重向量,Ct-1为t-1时刻记忆单元的状态，ht-1为t-1时刻记忆单元输出，bf为遗忘门的偏置；it＝σWi*[ht-1,Filterxt]+bi7式中，it为输入门的激活值，Wi为输入门的权重向量，bi为输入门输入控制的偏置；gt＝tanhWc*[ht-1,Filterxt]+bc8式中，gt为记忆单元的候选状态，Wc为输入门候选状态的权重向量，bc为输入门候选状态的偏置；Ct＝ft*Ct-1+1-ft*gt9式中，Ct为t时刻记忆单元的状态；ot＝σWo*[ct,ht-1,Filterxt]+bo10式中，ot为输出门的激活值，Wo为输出门的权重向量，bo为输出门的偏置；ht＝ot*tanhCt11式中，ht为记忆单元的输出，ot为输出门的激活值；步骤Step6中，对CNN-LSTM-TSME模型进行训练，CNN-LSTM-TSME在每层卷积层之后均加入批量归一化层，将训练数据拆分进行小批量组合，经过批标准化的数据再进入池化层；批量归一化采用如下公式所示： 式中，为均值，xvar为标准差。

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中国人民解放军海军航空大学，其通讯地址为：264001 山东省烟台市二马路188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”。