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！

龙图腾网获悉安徽大学申请的专利一种基于编解码注意力机制强化脉冲神经网络的故障诊断方法及系统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：CN121527539B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202511836473.X，技术领域涉及：G06V10/764；该发明授权一种基于编解码注意力机制强化脉冲神经网络的故障诊断方法及系统是由陆思良;吴先红;王骁贤;宋俊材;胡智勇设计研发完成，并于2025-12-08向国家知识产权局提交的专利申请。

本一种基于编解码注意力机制强化脉冲神经网络的故障诊断方法及系统在说明书摘要公布了：本发明属于机器状态预测技术领域，具体涉及一种基于编解码注意力机制强化脉冲神经网络的故障诊断方法及系统，方法包括：采集设备振动信号并分割为时序片段；利用S变换将各片段转换为二维时频图像以构建数据集；将图像输入轻量级混合网络模型提取深层特征，该模型由交替级联的脉冲卷积编码器与脉冲高效加性注意力机制编码器构成，前者通过脉冲神经元与深度可分离卷积提取局部特征，后者采用低线性复杂度的高效加性注意力机制建模全局上下文依赖；最终基于深层特征完成故障分类。本发明通过脉冲计算与高效注意力机制的融合，在显著降低模型参数量的同时，提升了特征提取能力与诊断精度，尤其适于部署在资源受限的边缘设备上实现故障诊断。

本发明授权一种基于编解码注意力机制强化脉冲神经网络的故障诊断方法及系统在权利要求书中公布了：1.一种基于编解码注意力机制强化脉冲神经网络的故障诊断方法，其特征在于，所述方法包括： 获取目标设备在不同故障状态及健康状态下的原始时域振动信号并进行处理，生成固定长度的时序片段； 基于S变换对所述时序片段进行时频分析处理，将每个一维时序片段转化为一个二维时频图像，形成包含所有时频图像的时频图数据集； 将预处理后的所述时频图数据集输入预构建的分类模型中，输出用于表征目标设备故障类别或健康状态的深层特征表示； 其中，所述预构建的分类模型包括交替级联的脉冲卷积编码器和脉冲高效加性注意力机制编码器； 所述脉冲卷积编码器通过脉冲神经元与深度可分离卷积结合，对时频图数据进行脉冲编码并提取局部空间特征，所述脉冲高效加性注意力机制编码器采用低线性复杂度的高效加性注意力机制，对所述局部空间特征进行全局上下文依赖关系建模，从所述时频图像中逐阶段学习并聚合得到所述深层特征表示； 所述脉冲卷积编码器的结构依次包括： 第一脉冲神经元层、用于通道扩展的1×1逐点卷积层、第二脉冲神经元层、用于空间特征提取的3×3深度可分离卷积层，以及用于通道恢复的1×1逐点卷积层； 所述第一脉冲神经元层的输出与所述用于通道恢复的1×1逐点卷积层的输出通过跳跃连接进行融合；脉冲卷积编码器计算过程如下式： 其中Zi表示脉冲卷积编码器的输入，SNN为脉冲神经元，PWConvBN为1×1逐点卷积层和批归一化层，DWConv为3×3深度可分离卷积层，为脉冲卷积编码器的输出； 所述脉冲高效加性注意力机制编码器的结构依次包括： 脉冲可分离卷积层、高效加性注意力模块以及脉冲通道卷积块； 其中，所述脉冲可分离卷积层用于对输入特征进行局部脉冲编码； 所述高效加性注意力模块用于接收经编码的特征，并通过低线性复杂度的高效加性注意力机制建模全局上下文依赖关系； 所述脉冲通道卷积块用于对所述高效加性注意力模块的输出进行非线性增强，所述脉冲通道卷积块包括沿通道维度串联的两个脉冲神经元层、一个一维卷积层和一个批归一化层；脉冲高效加性注意力机制编码器计算过程如下式： 其中，表示脉冲高效加性注意力机制编码器的输入，SNN为脉冲神经元，PWConvBN为1×1逐点卷积层和批归一化层，DWConv为3×3深度可分离卷积层，QK则表示高效加性注意力机制，1DConvBN为一维卷积层和批归一化层，脉冲高效加性注意力机制编码器的输出。

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安徽大学，其通讯地址为：230031 安徽省合肥市蜀山区九龙路111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。