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！

龙图腾网获悉东北大学申请的专利一种基于时频双流互补与自适应门控融合的轴承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：CN121859201B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202610319994.6，技术领域涉及：G06F18/2433；该发明授权一种基于时频双流互补与自适应门控融合的轴承故障诊断方法是由李旭;栾峰;刘书豪;吴艳;韩月娇;张弛;孙迪;熊伟设计研发完成，并于2026-03-17向国家知识产权局提交的专利申请。

本一种基于时频双流互补与自适应门控融合的轴承故障诊断方法在说明书摘要公布了：本发明的一种基于时频双流互补与自适应门控融合的轴承故障诊断方法，包括：采集轴承的原始振动信号，将原始振动信号序列切分为多个固定长度的样本片段，构成原始数据集；采用基于时间轴的物理切分策略，将原始数据集划分为训练集和测试集；构建时频双流特征提取模块，提取时域特征向量和频域特征向量；构建自适应门控融合模块动态生成门控权重，对时域特征向量和频域特征向量进行加权互补融合，得到融合故障特征向量；构建分类决策网络将融合故障特征向量映射到决策空间，利用标签平滑正则化损失函数与余弦退火策略优化模型参数；将测试集输入训练好的故障诊断模型，计算样本属于各故障类别的后验概率分布并输出轴承故障诊断结果。

本发明授权一种基于时频双流互补与自适应门控融合的轴承故障诊断方法在权利要求书中公布了：1.一种基于时频双流互补与自适应门控融合的轴承故障诊断方法，其特征在于，包括： 步骤1：采集轴承的原始振动信号，将原始振动信号序列切分为多个固定长度的样本片段，构成原始数据集； 步骤2：采用基于时间轴的物理切分策略，将原始数据集划分为训练集和测试集； 步骤3：构建时频双流特征提取模块，提取时域特征向量和频域特征向量；所述时频双流特征提取模块包含：异构并行的基于双向递归扫描机制的时域特征提取分支和基于迁移学习的频域特征提取分支； 步骤4：构建自适应门控融合模块，根据输入样本的特征分布动态生成门控权重，对时域特征向量和频域特征向量进行加权互补融合，得到融合故障特征向量； 步骤5：构建分类决策网络并与时频双流特征提取模块和自适应门控融合模块构成故障诊断模型，通过分类决策网络将融合故障特征向量映射到决策空间，利用标签平滑正则化损失函数与余弦退火策略优化模型参数，直至模型收敛； 步骤6：将测试集输入训练好的故障诊断模型中，计算样本属于各故障类别的后验概率分布，依据最大后验概率准则输出最终的轴承故障诊断结果； 所述步骤3中提取时域特征向量和频域特征向量具体为： 步骤3.1：将归一化后的样本片段输入到基于双向递归扫描机制的时域特征提取分支后进行如下处理： 首先，通过一维卷积层对输入信号进行特征投影，将单通道的时域采样点映射为高维潜在特征向量序列；设经过投影后的高维潜在特征向量序列的第t个时间步的向量为； 随后，高维潜在特征向量序列输入堆叠的多个双向递归扫描单元；在每个双向递归扫描单元中，将递归过程的初始隐藏状态设定为全零向量；对于第个时间步，根据上一时刻的隐藏状态和当前时刻的输入特征计算当前时刻的隐藏状态，并输出特征，其状态转移与输出的递归方程定义为： 其中，表示第时刻捕获的历史状态信息；为可学习的状态转移参数矩阵，控制历史信息的保留程度；为输入控制参数矩阵，控制当前输入信息的融入比例；为输出投影矩阵，将隐藏状态映射为输出特征； 双向递归扫描单元包括前向路径和后向路径，在前向路径中按照时间索引到的顺序执行上述递归方程，并将各时刻计算得到的输出特征按时序排列，得到前向特征序列，用于捕捉故障发生的因果演变；在后向路径中将高维潜在特征向量序列在时间轴上进行逆序翻转，按照到的顺序执行递归方程，同样收集各时刻输出特征，得到后向特征序列，用于捕捉故障的滞后关联； 为了融合不同方向的时序上下文，将前向特征序列与后向特征序列在特征通道维度进行拼接，形成维度加倍的联合特征序列；利用线性投影网络将联合特征序压缩回原始特征维度；引入残差连接机制，将该双向递归扫描单元的初始输入序列与经过线性投影后的序列进行逐元素相加，得到双向递归扫描单元的输出序列，其计算过程表示为： 其中，表示沿着通道维度的拼接操作，和分别为线性投影矩阵与偏置向量； 多个双向递归扫描单元进行串联堆叠，设总堆叠层数为，在网络的第一层，其初始输入序列为通过一维卷积层对输入信号进行特征投影，将单通道的时域采样点映射为高维潜在特征向量序列；在后续的层级传递中，第层双向递归扫描单元的输出序列结合均方根归一化操作后，直接作为第层双向递归扫描单元的输入序列；通过这种首尾相接的逐层递进方式，经过层的深层级联提取，最终一层的输出序列成功聚合了全局长距离的时序依赖，记为深层时域序列 最后，为了将序列特征转化为能与基于迁移学习的频域特征提取分支融合的固定长度向量，对深层时域序列在时间轴上执行全局最大池化操作，池化操作消除冗余的时序维度后，再通过非线性映射网络进行维度对齐，最终输出高维时域全局特征向量，该过程的计算公式为： 其中，表示沿时间维度执行的全局最大池化操作，用于提取整个序列在各个特征通道上的最大响应值，代表用于特征映射与升维的复合函数，包含线性映射、层归一化与激活操作； 步骤3.2：归一化后的振动信号输入到基于迁移学习的频域特征提取分支后进行如下处理： 首先，利用短时傅里叶变换将变换至频域，为了增强微弱故障特征的对比度，使背景噪声与故障冲击纹理区分更明显，对变换后的进行对数增强处理，计算公式为： 随后，利用双线性插值算法将对数谱图重采样为符合视觉模型输入的标准尺寸的对数谱图，将标准尺寸的对数谱图复制为三份，并按通道维度堆叠为三通道伪彩色图像，使其在数据格式上模拟自然图像； 引入在ImageNet大规模图像数据集上预训练的EfficientNet作为骨干网络，将三通道伪彩色图像输入EfficientNet，利用其深层卷积结构中已经习得的通用纹理提取能力，将自然图像领域的特征表达能力迁移至轴承故障诊断任务中，通过冻结部分浅层参数并微调深层参数，EfficientNet能够高效提取出声谱图中反映故障冲击的周期性纹理特征，最终经由全连接映射层输出高维频域特征向量。

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东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路三号巷11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”。

以上内容由龙图腾AI智能生成。