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多传感器融合和ECA-CNN的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：CN117312948B 。

龙图腾网通过国家知识产权局官网在2025-03-21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：202311256137.9，技术领域涉及：G06F18/241；该发明授权一种基于多传感器融合和ECA-CNN的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2023-09-27向国家知识产权局提交的专利申请。

本一种基于多传感器融合和ECA-CNN的旋转机械故障诊断方法在说明书摘要公布了：一种基于多传感器融合和ECA‑CNN的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各种健康状态下的多传感器振动信号；2）数据预处理：对多传感器振动信号进行采样、转换和通道融合，得到具有丰富和全面特征的多通道图像；3）模型搭建：将高效通道注意力引入到卷积神经网络中，构建ECA‑CNN模型；4）模型训练：利用多通道图像样本集训练模型；5）故障诊断：利用训练好的模型对旋转机械进行故障诊断。本发明实现了多传感器振动信号的通道融合；将高效通道注意力引入到卷积神经网络中提高特征学习能力，将注意力集中在更敏感的特征上；构建了具有高计算效率的ECA‑CNN模型，从多传感器融合数据学习具有代表性的故障特征，从而实现故障诊断。

本发明授权一种基于多传感器融合和ECA-CNN的旋转机械故障诊断方法在权利要求书中公布了：1.一种基于多传感器融合和ECA-CNN的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多传感器振动信号；步骤一中，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多个传感器，使用数据采集设备采集各种健康状态下的多传感器振动信号；假设旋转机械的传动部件有c种健康状态，包括正常状态和c-1种故障状态，在一定的工作条件下，由m个传感器采集的振动信号定义如下式：{X,y}＝{Xi,yi}，i∈[1,c]1 其中，{X,y}定义为c种健康状态的信号与标签，Xi、yi分别表示状态i的信号与标签，Xij表示状态i第j个传感器的信号，XijN表示Xij的第N个信号点；步骤二、数据预处理：对多传感器振动信号进行采样、转换和通道融合，得到具有丰富和全面特征的多通道图像；步骤二中，根据样本长度L和滑动步幅S对采集的多传感器信号进行滑动窗口采样，得到的多传感器信号样本集定义如下式：{x,y}＝{xi,yi}，i∈[1,c]4 其中，{x,y}定义为c种健康状态的信号样本与标签，xi、yi分别表示状态i的信号样本与标签，表示状态i第j个传感器的信号样本，表示的第k个样本；将采样得到的各传感器信号样本转换为二维灰度图像，长度为L的连续信号段依次填充构造图像的行，构造图像的像素值归一化为0至255之间的整数，对应了灰度图像的像素强度，构造图像的像素值定义如下式： 其中，表示的第p个点，max·、min·分别表示取最大和取最小函数，round·表示取整函数；将转换得到的各传感器信号样本的单通道图像在通道维度上融合为多通道图像，得到的多传感器图像样本集定义如下式： 其中，{x,y}fusion定义为c种健康状态的多通道图像样本与标签，yi分别表示状态i的多通道图像样本与标签，表示的第k个样本，表示状态i第m个传感器的第k个单通道图像；步骤三、模型搭建：将高效通道注意力引入到卷积神经网络中，构建ECA-CNN模型；步骤三中，所述ECA-CNN模型由多个CNN-ECA块、全局平均池化层GAP、分类层即全连接层FC+Softmax函数依次连接组成，CNN-ECA块的数量根据不同任务需要进行调整；所述CNN-ECA块由二维卷积层Conv2d、批量归一化层BN、激活层ReLU、二维最大池化层MaxPool2d和ECA模块依次连接组成；所述二维卷积层Conv2d，如下式所示： 其中，*表示卷积操作，xil-1表示第l-1层的第i个输入特征图，wlij表示第l层第j个卷积核的权重，表示第l层的偏差，表示第l层的第j个输出特征图；所述批量归一化层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；所述激活层ReLU，如下式所示： 所述二维最大池化层MaxPool2d，如下式所示： 其中，max·表示取最大函数，表示第l层的第j个输入特征图，s表示池化大小，表示第l层的第j个输出特征图；所述ECA模块，如下式所示： ω＝σC1DkgX21其中，X∈RC×H×W表示卷积后的特征图，C、H和W分别是特征图的通道数、高度和宽度，g·表示全局平均池化GAP操作，ψ·表示自适应计算跨通道数量k的函数，C1Dk·表示一维卷积操作，σ·表示Sigmoid函数，b、γ是常数；步骤四、模型训练：利用多通道图像样本集训练模型；步骤四中，多通道图像样本集按照时间序列拆分为训练集、验证集和测试集，使用训练集和验证集训练模型，使用训练好的模型在测试集上预测故障类型来测试模型性能；多通道图像样本首先输入CNN进行特征学习，然后由ECA模块对学习到的通道特征进行自适应地评分和权重分配，增强与故障信息相关的特征，忽略无关特征，在ECA-CNN模型中，上述操作执行多次，这意味着所需的特征信息被逐层学习，最后，通过全局平均池化层GAP建立特征与结果之间的联系，通过分类层输出故障分类结果；所述ECA-CNN模型的训练采用多分类交叉熵损失函数来衡量故障分类的性能，如下式所示： 其中，y＝[y0,…,yc-1]表示样本标签的独热编码，当样本属于类别i时yi＝1，否则yi＝0；p＝[p0,…,pc-1]表示模型输出的预测概率，pi表示样本属于第i类的概率；所述ECA-CNN模型的训练采用Adam优化算法对模型参数进行更新，Adam算法通过计算梯度的一阶矩估计和二阶矩估计，为不同的模型参数提供独立的自适应学习率，如下式所示：Lθ＝minθLC23θ←Adam▽θLC,θ,α24其中，θ表示模型参数，α表示Adam优化算法的学习率，▽θLC表示误差反向传播求导方式找到的模型参数最优值；步骤五、故障诊断：利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”。