買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉蘇州大學(xué)申請的專利基于流模型特征增強(qiáng)的單源域泛化智能識別方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120386992B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-22發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510884134.2，技術(shù)領(lǐng)域涉及：G06F18/15；該發(fā)明授權(quán)基于流模型特征增強(qiáng)的單源域泛化智能識別方法是由王俊;余博超;李雙;劉金朝;黃偉國;朱忠奎設(shè)計(jì)研發(fā)完成，并于2025-06-30向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于流模型特征增強(qiáng)的單源域泛化智能識別方法在說明書摘要公布了：本發(fā)明提供一種基于流模型特征增強(qiáng)的單源域泛化智能識別方法，涉及機(jī)械故障診斷技術(shù)領(lǐng)域，該方法包括對采集的機(jī)械振動時(shí)域信號進(jìn)行截取、長度統(tǒng)一及幅值歸一化預(yù)處理，通過快速傅里葉變換轉(zhuǎn)換為頻域數(shù)據(jù)，按工況劃分為單源域數(shù)據(jù)集和目標(biāo)域數(shù)據(jù)集；構(gòu)建故障診斷訓(xùn)練模型；利用單源域數(shù)據(jù)集，根據(jù)設(shè)定的損失函數(shù)和優(yōu)化算法訓(xùn)練故障診斷訓(xùn)練模型，得到訓(xùn)練好的故障診斷訓(xùn)練模型；基于訓(xùn)練好的故障診斷訓(xùn)練模型構(gòu)建故障識別模型，將目標(biāo)域數(shù)據(jù)集輸入到故障識別模型進(jìn)行故障類別識別。本發(fā)明解決了傳統(tǒng)方法生成數(shù)據(jù)維度高、含干擾信息等問題，提升了模型泛化能力與目標(biāo)工況故障識別精度。

本發(fā)明授權(quán)基于流模型特征增強(qiáng)的單源域泛化智能識別方法在權(quán)利要求書中公布了：1.一種基于流模型特征增強(qiáng)的單源域泛化智能識別方法，其特征在于，包括： S1：對采集的機(jī)械振動時(shí)域信號進(jìn)行截取、長度統(tǒng)一及幅值歸一化預(yù)處理，通過快速傅里葉變換轉(zhuǎn)換為頻域數(shù)據(jù)，按工況劃分為單源域數(shù)據(jù)集和目標(biāo)域數(shù)據(jù)集； S2：構(gòu)建故障診斷訓(xùn)練模型，所述故障診斷訓(xùn)練模型由深層特征提取模塊、特征生成模塊及故障診斷模塊組成，其中： 所述深層特征提取模塊用于提取源域深層特征； 所述特征生成模塊用于生成與源域深層特征分布不同的擴(kuò)展域特征； 所述故障診斷模塊用于提取域間不變特征并進(jìn)行類別識別和域判別； S3：利用所述單源域數(shù)據(jù)集，根據(jù)設(shè)定的損失函數(shù)和優(yōu)化算法訓(xùn)練所述故障診斷訓(xùn)練模型，得到訓(xùn)練好的故障診斷訓(xùn)練模型，包括： S31：將單源域數(shù)據(jù)集輸入深層特征提取模塊，最小化分類器C1的交叉熵?fù)p失函數(shù)優(yōu)化特征提取器F1，使特征提取器F1提取的源域深層特征滿足： ； 式中，為源域數(shù)據(jù)，為對應(yīng)標(biāo)簽； S32：將所述源域深層特征輸入特征生成模塊： S321：通過二值掩碼器分離低頻分量與高頻分量： ； 其中，表示特征重排序操作，表示二值掩碼矩陣，表示逐元素點(diǎn)乘； S322：在低頻擾動模塊中，按類別計(jì)算低頻特征的均值和方差，生成新的統(tǒng)計(jì)分布： ； 式中，為故障類別索引，為低頻特征的類條件均值，為低頻特征的類條件方差，為各類別均值的方差，為各類別方差的方差，為從均值為0、指定方差的正態(tài)分布中采樣，為擾動系數(shù)，為擾動后的新類條件均值，為擾動后的新類條件方差； S323：在流模型生成模塊中，通過最大化對數(shù)似然損失訓(xùn)練流模型生成模塊： ； 式中，為流模型生成模塊，為批量訓(xùn)練樣本數(shù)量，為流模型生成模塊定義的概率密度函數(shù)； 生成新低頻分量，并與高頻分量結(jié)合形成擴(kuò)展域特征： ； 式中，為擴(kuò)展域特征，為特征拼接操作； S33：將源域深層特征與擴(kuò)展域特征輸入故障診斷模塊，最小化總損失函數(shù)： ； 式中，為監(jiān)督對比損失，促進(jìn)類內(nèi)特征緊湊性與類間分離性；為域判別器Y的二值交叉熵?fù)p失，區(qū)分源域擴(kuò)展域特征；為分類器C2的交叉熵?fù)p失，優(yōu)化故障類別識別精度；、為權(quán)衡不同損失的加權(quán)系數(shù)； S34：重復(fù)執(zhí)行S31-S33，采用優(yōu)化算法更新參數(shù)，當(dāng)?shù)螖?shù)達(dá)到預(yù)設(shè)迭代次數(shù)或總損失收斂至穩(wěn)定狀態(tài)時(shí)停止訓(xùn)練，得到訓(xùn)練好的故障診斷訓(xùn)練模型； S4：基于訓(xùn)練好的故障診斷訓(xùn)練模型構(gòu)建故障識別模型，將所述目標(biāo)域數(shù)據(jù)集輸入到所述故障識別模型進(jìn)行故障類別識別。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人蘇州大學(xué)，其通訊地址為：215137 江蘇省蘇州市相城區(qū)濟(jì)學(xué)路8號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。