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！

龙图腾网恭喜南京航空航天大学申请的专利一种基于SEFormer的轻量级旋转机械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：CN119293589B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202411366242.2，技术领域涉及：G06F18/241；该发明授权一种基于SEFormer的轻量级旋转机械故障诊断方法是由汪红星;朱华;李华峰设计研发完成，并于2024-09-29向国家知识产权局提交的专利申请。

本一种基于SEFormer的轻量级旋转机械故障诊断方法在说明书摘要公布了：一种基于SEFormer的轻量级旋转机械故障诊断方法，1）数据采集：采集旋转机械的关键传动部件（如轴承、齿轮）各种健康状态下的振动信号；2）数据预处理：通过滑动窗口采样将振动信号分割为样本集，并划分为训练集、验证集和测试集；3）模型搭建：设计开发可分离多尺度深度卷积SMDC和高效自注意力ESA，构建SEFormer模型；4）模型训练、验证与评估：在训练集和验证集上训练模型，在测试集上评估模型性能；5）故障诊断：使用训练好的模型对旋转机械进行故障诊断。本发明构建了一种轻量级的SEFormer模型用于旋转机械故障诊断，从振动信号的不同通道维度提取和整合多尺度特征，从全局范围内捕捉振动信号的关键细粒度特征，兼具鲁棒性、泛化能力和轻量化的优势。

本发明授权一种基于SEFormer的轻量级旋转机械故障诊断方法在权利要求书中公布了：1.一种基于SEFormer的轻量级旋转机械故障诊断方法，其特征在于：包括如下步骤：步骤一、数据采集：采集旋转机械的关键传动部件各种健康状态下的振动信号；在需要诊断的旋转机械传动部件附近的不同位置或方向安装至少1个传感器，使用数据采集设备采集各种健康状态下的振动信号；步骤二、数据预处理：通过滑动窗口采样将振动信号分割为样本集，并划分为训练集、验证集和测试集；步骤三、模型搭建：设计开发可分离多尺度深度卷积SMDC和高效自注意力ESA，构建SEFormer模型；步骤三中，所述SEFormer模型由多个特征提取层和一个输出层依次连接组成，特征提取层的数量根据不同任务需要进行调整；所述特征提取层中；首先，利用可分离多尺度深度卷积SMDC从振动信号的不同通道维度提取和整合多尺度特征；其次，利用高效自注意力ESA从全局范围内捕捉振动信号的关键细粒度特征；然后，通过残差连接Add降低过拟合风险，并采用批量归一化BN稳定特征分布；接着，使用前馈网络FFN对特征进行非线性变换；最后，通过残差连接Add和批量归一化BN输出提取的特征；所述可分离多尺度深度卷积SMDC；首先，利用不同核大小的并行多尺度深度卷积提取振动信号的多局部感受野特征；然后，将多尺度特征沿通道维度拼接Concat；接着，使用逐点卷积整合特征信息并捕捉通道间的相关性；最后，采用批量归一化BN和高斯误差线性单元GELU稳定特征分布和执行非线性映射，如下式所示： 其中，表示输入，C1和L1分别表示输入的通道维度和时间维度，kl表示深度卷积核的大小，表示深度卷积核kl的权重，表示深度卷积核kl的输出，表示多尺度深度卷积的输出，表示逐点卷积核的权重，表示输出，n表示不同深度卷积核大小的数量，L2表示输出的时间维度；所述高效自注意力ESA；首先，为了扩展每个特征的表示能力并减少计算，利用三个并行的深度可分离卷积DSConv生成自注意力的输入特征：查询矩阵Q、键矩阵K和值矩阵V；其次，采用高效注意力Efficientattention进行全局特征的信息传递，同时降低自注意力计算的成本；然后，将Softmax作为适合高效注意力Efficientattention形式的归一化操作，对矩阵Q在时间维度上进行Softmax归一化，对矩阵K在通道维度上进行Softmax归一化；最后，通过矩阵转置和矩阵乘法操作计算注意力权重，如下式所示： 其中，和分别表示查询矩阵、键矩阵和值矩阵，L和C分别表示时间维度和通道维度，·T和·分别表示矩阵转置和矩阵乘法，SoftmaxL·和SoftmaxC·分别表示时间维度和通道维度上的Softmax归一化；所述残差连接Add，如下式所示：x'＝fx+x5所述批量归一化BN，如下式所示： 其中，hl＝{hl1,…,hlN}表示第l层批量大小为N的输入特征图，hln＝{h1ln,…,hkln}，yjln表示第l层的第j个输出特征图，uj、σj2分别表示hjl的均值与方差，ε表示一个很小的常数用于防止方差为0时无效的计算，分别表示需要学习的尺度和平移参数；所述高斯误差线性单元GELU，如下式所示： 所述前馈网络FFN，包括两层的线性变换和中间的非线性激活，如下式所示：FFNx＝W2σW1x+b1+b211其中，x表示输入，W1和W2分别表示第一层和第二层线性变换的权重，b1和b2分别表示第一层和第二层线性变换的偏置，σ表示中间的非线性激活函数；所述输出层中；首先，利用全局平均池化GAP在时间维度上进行特征降维；其次，使用逐点卷积PConv在通道维度上整合特征；然后，采用批量归一化BN和高斯误差线性单元GELU稳定特征分布和执行非线性映射；最后，通过全连接FC将高维特征映射到健康状态的分类维度；步骤四、模型训练、验证与评估：在训练集和验证集上训练模型，在测试集上评估模型性能；步骤五、故障诊断：使用训练好的模型对旋转机械进行故障诊断。

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南京航空航天大学，其通讯地址为：210000 江苏省南京市秦淮区御道街29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”。