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！

龙图腾网恭喜西安交通大学申请的专利基于可学习稀疏正则字典学习的机械异常检测方法与系统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：CN119202908B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202411698633.4，技术领域涉及：G06F18/2415；该发明授权基于可学习稀疏正则字典学习的机械异常检测方法与系统是由丁宝庆;陈锡越;王诗彬;赵志斌;孙闯;张兴武;严如强;温广瑞;陈雪峰;李应红设计研发完成，并于2024-11-26向国家知识产权局提交的专利申请。

本基于可学习稀疏正则字典学习的机械异常检测方法与系统在说明书摘要公布了：一种基于可学习稀疏正则字典学习的机械异常检测方法与系统，方法中，采集机械正常运转时的振动信号，并进一步构造训练数据集；构建包含可学习稀疏正则项的字典学习模型，将输入信号表示为字典与稀疏编码的卷积形式；利用半二次分裂算法完成模型迭代计算公式的推导；为公式中的每个变量和权重设计相应的网络模块，模块的组合表示一次迭代计算，多个迭代计算过程叠加构成可学习稀疏正则网络；使用训练数据集训练网络，提取正常样本特征，并利用反向传播技术更新网络参数；将测试样本输入训练好的网络，计算重构数据与输入样本间的误差，根据误差值的大小判断机械是否为正常状态；对网络的重构输出进一步分析，完成网络的事后可解释说明。

本发明授权基于可学习稀疏正则字典学习的机械异常检测方法与系统在权利要求书中公布了：1.一种基于可学习稀疏正则字典学习的机械异常检测方法，其特征在于，包括以下步骤：第一步骤（S1）中，采集正常运转状态下机械设备的振动信号，并构建训练数据集，所述振动信号通过加速度传感器采集，由谐波信息和噪声叠加组成，表示形式为；所述数据集中单个样本信号长度为1024；第二步骤（S2）中，构建包含可学习稀疏正则项的字典学习模型，其中关于稀疏编码与字典的正则项为未知形式的约束函数，所述字典学习模型为： ；其中，与是要求解的稀疏编码和字典，表示L2范数的平方，为数据保真项，表示卷积运算，和是关于与正则项约束函数，并未施加明确的约束形式，与是关于正则项的权重参数；第三步骤（S3）中，结合半二次分裂算法，引入两个辅助变量与，将字典学习模型的求解等效为四个变量、、、的迭代求解过程，以推导关于辅助变量与的闭式解，字典学习模型的等效求解方程组为： ；根据半二次分裂算法（HQS），上式等效为如下形式： ；其中，和是关于与的权重参数，当和足够大时便可满足两个辅助变量与的等效条件，对于、、、的求解，得到第i次的迭代计算公式如下： ；求解的方程为两个L2范数的组合，存在闭式解，通过变换域操作，利用快速傅里叶变换和傅里叶逆变换，得到的解为： ；其中，、和分别为、和进行快速傅里叶变换后得到的频域变量，是的复共轭，，是单位矩阵，表示傅里叶逆变换， 的求解是通过将与展开为矩阵的形式，结合最小二乘法实现的，其闭式解为： ；其中，与为与的展开形式，为的向量化形式，,表示逆向量化，式中和的计算通过展开卷积算法进行等效计算，其中，字典的向量化是指对于，其中d为字典原子的个数，k为每个字典原子的维度，将每一个字典原子复制k次从而得到一个的三维矩阵；逆向量化是将三维矩阵中每个尺寸为的原子矩阵进行均值计算，得到更新后的字典原子，字典原子的组合形成更新后的字典；第四步骤（S4）中，为迭代计算公式中的四个变量、、、和权重参数设计网络模块进行计算或学习，所有网络模块的组合表示一次迭代，多个迭代过程进行叠加组成可学习稀疏正则网络；第五步骤（S5）中，设置网络层数和循环次数，使用所述训练数据集对所述可学习稀疏正则网络进行训练，学习正常样本的特征信息，通过网络的反向传播机制完成可学习参数的更新；第六步骤（S6）中，采集机械设备运转时的振动信号构建测试样本，将测试样本输入训练好的可学习稀疏正则网络中，计算可学习稀疏正则网络输出的重构信号与输入样本间的误差，根据所得误差值是否大于阈值判断机械为正常或是异常状态。

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西安交通大学，其通讯地址为：710049 陕西省西安市咸宁西路28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”。