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！

龙图腾网获悉沈阳建筑大学;东北大学申请的专利样本稀缺条件下基于动态激活机制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：CN121637167B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202511758240.2，技术领域涉及：G06F18/241；该发明授权样本稀缺条件下基于动态激活机制的轴承故障诊断方法是由周鹏;乔馨冉;徐佳璨;马大中;胡旭光;何恩光;王子男;王萌;王骞设计研发完成，并于2025-11-27向国家知识产权局提交的专利申请。

本样本稀缺条件下基于动态激活机制的轴承故障诊断方法在说明书摘要公布了：本发明涉及一种样本稀缺条件下基于动态激活机制的轴承故障诊断方法，包括以下步骤：S1、振动信号采集和预处理，得到原始故障样本x0；S2、利用正向扩散和反向去噪优化原始故障样本，得到接近于真实故障数据的生成样本；S3、构建多激活机制协同的深度残差网络PRNet故障诊断模型，将原始故障样本x0和接近于真实故障数据的生成样本混合形成一个故障样本集xi，输入故障诊断模型，并采用交叉熵损失函数LCE进行网络训练，最终输出轴承故障类别。本发明提出的样本稀缺条件下基于动态激活机制的轴承故障诊断方法，有效解决了轴承故障诊断过程中样本稀缺的难题，显著提升了轴承故障诊断的精确度与稳定性。

本发明授权样本稀缺条件下基于动态激活机制的轴承故障诊断方法在权利要求书中公布了：1.样本稀缺条件下基于动态激活机制的轴承故障诊断方法，其特征在于，包括以下步骤： S1、振动信号采集和预处理，得到原始故障样本x0，具体包括以下步骤： S101、振动信号采集：在差异化转速条件下采集不同故障类别的轴承振动信号样本xz； S102、数据预处理：数据采集完成后，采用滑动窗口的数据分割方法对xz进行处理；再通过连续小波变换将xz分解成不同频带的时频特征，即原始故障样本x0； S2、利用正向扩散和反向去噪优化原始故障样本x0，得到接近于真实故障数据的生成样本，具体包括以下步骤： S201、正向扩散：将高斯噪声添加到原始故障样本x0中，得到添加高斯噪声后的时域样本xT； S202、反向去噪：构建U-Net噪声预测网络，并对添加高斯噪声后的时域样本xT处理，输出预测噪声； S203、用损失函数L约束U-Net噪声预测网络，得到接近于真实故障数据的生成样本； S3、构建多激活机制协同的深度残差网络PRNet故障诊断模型，将原始故障样本x0和接近于真实故障数据的生成样本混合形成一个故障样本集xi，输入故障诊断模型，并采用交叉熵损失函数LCE进行网络训练，最终输出轴承故障类别； 所述多激活机制协同的深度残差网络PRNet故障诊断模型具体包括初始卷积层、第一KAN残差块、第二KAN残差块、第三KAN残差块、第四KAN残差块、FC全连接层和Softmax层；所述第一KAN残差块包括两个同样大小的KAN网络无下采样残差块，所述第二KAN残差块、第三KAN残差块和第四KAN残差块均包括1个KAN网络下采样残差块和1个KAN网络无下采样残差块； 所述将故障样本集xi输入PRNet故障诊断模型处理，并采用交叉熵损失函数LCE对故障诊断模型进行网络训练，最终输出轴承故障类别，具体包括以下步骤： S301、故障样本集xi输入初始卷积层，初始卷积层对xi依次进行卷积核Conv3×3处理、批归一化和ReLu激活函数处理、最大池化层处理，得到初始卷积层输出特征，如下式所示： ； 其中，MaxPool表示最大池化层；ReLu是激活函数；BN表示批归一化；Conv表示卷积层； S302、将输入到第一KAN残差块中进行基础特征提取，得到第一KAN残差块输出特征，公式为：； S303、将输入到第二KAN残差块中进行中级语义特征提取，得到第二KAN残差块输出特征，公式为：； S304、将输入到第三KAN残差块中进行高级抽象特征提取，得到第三KAN残差块输出特征，公式为：； S305、将输入到第四KAN残差块中进行全局上下信息整合，得到第四KAN残差块输出特征，公式为：； 式16、17、18、19中，KAN1为第一KAN残差块；KAN2为第二KAN残差块；KAN3为第三KAN残差块；KAN4为第四KAN残差块； S306、将输入FC全连接层处理，得到故障类别逻辑值G，表达式如下： ； 其中，G表示全连接层的原始输出，即故障类别逻辑值；W表示权重；bi表示偏置； S307、将FC全连接层输出的故障类别逻辑值G输入Softmax层，在Softmax层中，Softmax函数将向量转换成概率分布P，其中每个概率分量pi计算如下： ； 其中，为向量，其包含了分类任务中每个故障类别逻辑值G；是向量中第i个故障类别逻辑值；N是样本总数；是的指数； 取概率分量pi最大值对应的故障类别作为预测标签； S308、采用交叉熵损失函数LCE作为优化目标，对故障诊断模型进行网络训练，最终输出轴承故障类别； 所述交叉熵损失函数LCE的数学表达式为： ； 其中，N是样本总数；yi表示真实标签的one-hot编码；表示预测标签。

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沈阳建筑大学;东北大学，其通讯地址为：110168 辽宁省沈阳市浑南区浑南中路25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。