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！

龙图腾网恭喜合肥工业大学申请的专利基于双层注意力网络多域特征融合的设备剩余寿命预测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：CN114707731B 。

龙图腾网通过国家知识产权局官网在2025-02-18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：202210371790.9，技术领域涉及：G06Q10/04；该发明授权基于双层注意力网络多域特征融合的设备剩余寿命预测方法是由王刚;邵佳颖;苏泽容;张亚楠;伍章俊;杨敏;马敬玲;卢明凤;贡俊巧设计研发完成，并于2022-04-11向国家知识产权局提交的专利申请。

本基于双层注意力网络多域特征融合的设备剩余寿命预测方法在说明书摘要公布了：本发明公开了一种基于双层注意力网络多域特征融合的设备剩余寿命预测方法，包括：1、融合领域知识，提取信号信息的时域、频域和时频域统计特征；2、构建多尺度特征提取模块，采用不同大小卷积核的一维卷积神经网络从多个尺度的信号信息中提取特征；3、基于尺度注意力模块对得到的多尺度综合信息进行加权组合；4、将多尺度特征输入长短期记忆网络提取多尺度深度特征；5、采用领域注意力模块，为多尺度深度特征和三种统计特征赋予不同的权重，有针对性的利用不同的特征组合进行设备剩余寿命预测。本发明能快速、准确地预测设备的剩余寿命，从而提高工程机械高端装备可靠性和安全性、降低失效事件发生的风险。

本发明授权基于双层注意力网络多域特征融合的设备剩余寿命预测方法在权利要求书中公布了：1.一种基于双层注意力网络多域特征融合的设备剩余寿命预测方法，其特征在于：包括如下步骤：步骤1，构建网络训练集：通过安装在设备上的传感器在采样周期T下采集N个采样点的振动信号并构成一组样本，从而由M组样本构建网络训练集，记为T＝{X1,X2,...,Xm,...,XM}；Xm表示第m组样本；步骤2，统计特征提取：提取第m组样本Xm的时域特征，记为表示第m组样本Xm中第n1个时域特征；N1表示提取的时域特征个数；提取第m组样本Xm的频域特征，记为表示第m组样本Xm中第n2个频域特征；N2表示提取的频域特征个数；提取第m组样本Xm的时频域特征，记为表示第m组样本Xm中第n3个时频域特征；N3表示提取的时频域特征个数；步骤3，构建基于双层注意力多域特征融合的HAM-RUL网络，包括：多尺度特征提取模块、尺度注意力模块、长短期神经网络、领域注意力模块、全连接层；步骤3.1，构建多尺度特征提取模块，包括K个一维卷积神经网络，并分别为MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK，其中，MscaleBlockk表示样本Xm第k个一维卷积神经网络模块，k＝1,2,...,K；第k个一维卷积神经网络模块MscaleBlockk具有L层一维卷积层和L层下采样层其中，表示第k个一维卷积神经网络模块MscaleBlockk中第l层一维卷积层，表示第k个一维卷积神经网络模块MscaleBlockk中第l层下采样层，l＝1,2,...,L；当l＝1时，将所述第m组样本Xm输入第k个一维卷积神经网络模块MscaleBlockk中，并依次经过第l层一维卷积层的卷积处理和第l层下采样层的最大池化处理后输出第一层多尺度特征当l＞1时，将第l-1层多尺度特征经过第l层一维卷积层和第l层下采样层的处理后输出第l层多尺度特征从而由第L层下采样层输出最终多尺度特征从而由K个一维卷积神经网络模块MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK输出多尺度特征并作为多尺度特征提取模块输出的最终多尺度特征，记为其中，表示第m组样本Xm在经过第K个一维卷积神经网络模块后输出的最终多尺度特征，步骤3.2，构建T个尺度注意力模块，记为SawareBlock1,...,SawareBlockt,...,SawareBlockT，其中，SawareBlockt表示第t个尺度注意力模块，t＝1,2,...,T；步骤3.2.1，按照时间步对第k个最终多尺度特征进行划分，得到划分后的多尺度特征其中，表示第k个最终多尺度特征对应第t个时间步的片段，t＝1,2,...,T；步骤3.2.2，将K个一维卷积神经网络模块MscaleBlock1,...,MscaleBlockk,...,MscaleBlockK输出的多尺度特征在第t个时间步的片段进行组合后得到多尺度组合特征并输入第t个尺度注意力模块SawareBlockt中，从而利用式1得到K个尺度特征的注意力分数 式1中，表示第k个最终多尺度特征对应第t个时间步时所得到的分数，为第k个最终多尺度特征对应第t个时间步时尺度注意力模块的参数；s是一个非线性激活函数；步骤3.2.3，对K个尺度特征的注意力分数进行归一化，得到最终的注意力内容得分表示第k个最终多尺度特征对应第t个时间步时所最终得到的分数；步骤3.2.4，所述第t个尺度注意力模块SawareBlockt利用式2得到最终输出的带关注的多尺度特征 步骤3.3，构建T个长短期记忆网络，记为LSTMcell1,...,LSTMcellt,...,LSTMcellT，其中，LSTMcellt表示第t个长短期记忆网络单元，t＝1,2,...,T；将第t个带关注的多尺度特征输入第t个长短期记忆网络单元LSTMcellt进行深度特征提取，输出第t个时序特征从而由T个长短期记忆网络单元输出T个时序特征并作为多尺度深度特征，记为其中，表示第m组样本Xm中第n4个多尺度深度特征；N4表示提取的多尺度深度特征个数；n4＝t；N4＝T；步骤3.4，将时域特征、频域特征、时频域特征和多尺度深度特征分别作为领域特征并输入到领域注意力模块中进行处理：步骤3.4.1，根据式3得到第d种领域特征的关注度得分 式3中，为第d种领域特征，是第d种领域特征对应的领域注意力的参数；d＝1,2,3,4；步骤3.4.2，将所述关注度得分归一化后，得到第d种领域特征的最终关注度得分步骤3.4.3，根据式4得到第d种领域特征的最终特征从而由4种领域特征的最终特征拼接后作为领域注意力模块输出的最终特征Fm； 步骤3.5，所述全连接层利用式5对第m组样本Xm的剩余寿命进行预测，得到第m组样本Xm的剩余寿命 式5中，表示最终特征Fm中第x个最终特征，表示全连接层中第x个最终特征对应的参数，表示第x个最终特征对应偏置，φ表示激活函数；X为最终特征的个数；步骤3.6，对HAM-RUL网络进行训练，并计算如式6所示的损失函数Lx，当训练迭代次数达到设定的次数时训练停止，从而得到最优重建模型，用于实现设备剩余寿命的预测： 式6中，RULm表示第m组样本Xm对应的真实剩余寿命。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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”。