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！

龙图腾网恭喜南京农业大学;常州市宏寰机械有限公司申请的专利一种基于CNN-MHA的膨化机故障诊断监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：CN119043763B 。

龙图腾网通过国家知识产权局官网在2025-03-18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：202411160049.3，技术领域涉及：G01M99/00；该发明授权一种基于CNN-MHA的膨化机故障诊断监测方法是由冯学斌;洪道龙;李骅;夏飞腾;申乐乐;沈越;张熙澈;张福平设计研发完成，并于2024-08-22向国家知识产权局提交的专利申请。

本一种基于CNN-MHA的膨化机故障诊断监测方法在说明书摘要公布了：本发明提供一种基于CNN‑MHA的膨化机故障诊断监测方法，通过安装传感器以全面监测膨化机运行健康状态，传感器采集数据传输到树莓派，树莓派进行数据转换并传输至云端，将模型训练时段的膨化机运行工况相关变量采集为样本数据，并通过数据归一化、特征相关性分析、特征重要性分析以及ADASYN过采样方法处理样本数据，再经过模型训练后获取的高精度最优诊断模型，最后通过Qt集成故障诊断监测界面将膨化机实时各项运行数据和故障分析结果以图表形式直观展示给用户。本发明通过多传感器融合技术与CNN‑MHA模型，实现了膨化机的智能监控与高精度故障诊断，并提供智能维修建议，使得设备管理更加智能化和自动化。

本发明授权一种基于CNN-MHA的膨化机故障诊断监测方法在权利要求书中公布了：1.一种基于CNN-MHA的膨化机故障诊断监测方法，其特征在于，包括如下过程：步骤1：安装多种类传感器以全面监测膨化机运行健康状态；步骤2：各传感器采集到的信号传输到树莓派，树莓派进行数据转换并将数据传输至云端，将模型训练时段的膨化机运行工况相关变量采集为样本数据；步骤3：样本数据处理：对采集到的样本数据进行标注，按照预设故障类型和7:3的比例划分为测试集和训练集，然后依次通过数据归一化、特征相关性分析、特征重要性分析、ADASYN过采样方法处理样本数据；步骤4：模型训练及测试；步骤5：实时数据分析；步骤6：Qt界面集成；所述步骤3中，使用皮尔逊相关系数进行特征相关性分析并通过SHAP值计算特征重要性，进而筛选膨化机故障诊断最优特征，具体如下： 其中，r是皮尔逊相关系数；X和Y是两个特征，用r来测量X和Y之间的相关性；Xi和Yi是特征X和Y的第i个样本值；和是特征X和Y的样本均值；φj是特征j的SHAP值，表示该特征的重要性；N是特征的集合，|N|！是特征集合N的阶乘；S是不包含特征j的子集，fS是给定特征子集S的模型预测输出，|S|是集合S的元素个数，|S|！表示集合S的阶乘；所述步骤3中，采用ADASYN过采样方法对样本数据进行数据增强处理以解决故障样本数据存在数据不平衡的特点，具体如下： Gm＝rm×G 其中，对于少数类样本xm，计算其k个最近邻中属于少数类的样本数量km，rm表示少数类样本xm的密度分布，G是总体需要生成的少数类样本数量，Gm表示的是在特定的少数类样本xm的局部区域内需要生成的合成样本的数量；对于每个少数类样本xm，随机选择其k个最近邻中的一个邻居xzm，并生成新的样本σ是一个在[0,1]之间的随机数；所述步骤4的具体过程如下：构建包括五个卷积层和一个多头注意力层的CNN-MHA模型，通过实验调整学习率，选择迭代次数、批量大小和优化器这些超参数，并进行多次训练和测试；在模型训练过程中，使用交叉熵损失函数，并在每次迭代中将训练数据分批次输入模型，计算损失值并更新模型参数，记录训练损失、验证损失、模型收敛情况；训练完成后，在测试集上评估模型性能，计算测试集上的交叉熵损失值，并使用F1分数综合评估模型的分类能力；根据测试结果，进一步调整模型结构和超参数，优化模型性能，最终获得高精度的最优故障诊断模型；所述步骤5的具体过程如下：将云端实时采集数据先进行预处理，接着输入到步骤4预先训练好的最优故障诊断模型中，模型实时分析输入数据，识别设备的运行状态，检测是否存在异常或潜在故障；一旦检测到故障，模型进一步分析故障类型，基于模型的训练数据和预设的故障类型将其分类为特定的故障类别；针对检测到的故障类型，自动生成相应的维修建议。

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农业大学;常州市宏寰机械有限公司，其通讯地址为：210000 江苏省南京市浦口区点将台路40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”。