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！

龙图腾网获悉浙江工业大学申请的专利一种齿轮箱的小样本故障分类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：CN116578907B 。

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：202310616023.4，技术领域涉及：G06F18/24；该发明授权一种齿轮箱的小样本故障分类方法及系统是由朱俊威;张恒;顾曹源;翁得鱼;黄怡宁设计研发完成，并于2023-05-29向国家知识产权局提交的专利申请。

本一种齿轮箱的小样本故障分类方法及系统在说明书摘要公布了：本发明涉及风机故障诊断领域，具体涉及一种齿轮箱的小样本故障分类方法及系统，方法包括：将自注意力机制引入DCGAN的网络结构，记为SA‑DCGAN；使用数据集Xi训练SA‑DCGAN，并使用SA‑DCGAN生成若干个不同故障类型的样本Y，构成样本数据集Yi；使用Yi预训练密集卷积网络模型，得到源域模型；构建目标域模型，将源域模型的参数迁移至目标域模型，并使用齿轮箱振动信号数据X对目标域模型进行微调，将微调后的目标域模型作为故障分类模型；将需要诊断故障类别的齿轮箱振动信号输入故障分类模型，得到对应的齿轮箱小样本故障分类结果，实现了在小样本条件下准确诊断出齿轮箱故障类型，且具有更好的故障分类效果。

本发明授权一种齿轮箱的小样本故障分类方法及系统在权利要求书中公布了：1.一种齿轮箱的小样本故障分类方法，其特征在于，包括以下步骤： 步骤S1，采集不同故障类型的齿轮箱振动信号数据X，对所述齿轮箱振动信号数据X进行预处理，得到数据集； 步骤S2，获取DCGAN的网络结构，将自注意力机制引入DCGAN的网络结构，将改进后的DCGAN记为SA-DCGAN，所述SA-DCGAN包括生成器和判别器； 步骤S3，使用数据集训练所述SA-DCGAN，并将噪声向量输入训练后的SA-DCGAN，输出若干个不同故障类型的样本Y，所述样本Y构成样本数据集； 步骤S4，构建密集卷积网络模型，其中，密集卷积网络模型的网络结构包括若干个卷积层，每个卷积层后均设有一个密集块，同时第一密集块后设有过渡层，最后一个密集块后设有全局池化和分类层，使用样本数据集预训练所述密集卷积网络模型，将预训练后的密集卷积网络模型作为源域模型； 步骤S5，构建目标域模型，将所述源域模型的参数迁移至所述目标域模型，并使用齿轮箱振动信号数据X对所述目标域模型进行微调，将微调后的目标域模型作为故障分类模型； 步骤S6，将需要诊断故障类别的齿轮箱振动信号输入所述故障分类模型，得到对应的齿轮箱小样本故障分类结果； 其中，步骤S2中，将自注意力机制引入DCGAN的网络结构的方法包括： 在生成器的第四个反卷积层和判别器的第四个卷积层之后均嵌入自注意力模块，所述自注意力模块用于学习全局特征信息，其中，所述自注意力模块学习全局特征信息的方法包括： 将经过DCGAN卷积层或反卷积层的噪声向量序列拆分为查询矩阵Q、键矩阵K以及值矩阵V； 计算查询矩阵Q与键矩阵K的内积，对计算得到的内积进行缩放，得到值的权重； 将值的权重与值矩阵V相乘，得到噪声向量序列之间的特征信息； 其中，步骤S5中，使用齿轮箱振动信号数据X对所述目标域模型进行微调的方法包括： 将所述齿轮箱振动信号数据X分别输入初始卷积层，生成真实样本特征； 将所述真实样本特征输入第一密集块，提取出初级特征； 将所述初级特征输入过渡层进行压缩，将压缩后的初级特征输入后续的密集块，直到输入最后的密集块，提取出高级抽象特征； 将所述高级抽象特征经过全局池化和分类层后，输出每个齿轮箱振动信号数据X对应的故障类型。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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。