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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于DMSTFA的多分类器设备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：CN114970702B 。

龙图腾网通过国家知识产权局官网在2025-06-24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：202210540631.7，技术领域涉及：G06F18/2415；该发明授权一种基于DMSTFA的多分类器设备故障诊断方法是由何志伟;郑骁蓉;刘才明;董哲康;高明煜设计研发完成，并于2022-05-17向国家知识产权局提交的专利申请。

本一种基于DMSTFA的多分类器设备故障诊断方法在说明书摘要公布了：本发明提出一种基于DMSTFA的多分类器设备故障诊断方法，本发明先按不同工况将数据分为源域与目标域数据；接着构建设备故障诊断神经网络模型，初始化其参数；将源域和目标域数据输入神经网络中，根据DMSTFA计算各个特征子空间的域适配损失；计算每个子空间的特征相似性权重；根据相似性权重，组合多个分类器的输出，并计算分类损失；将各个特征空间上的域适配损失和分类损失相加，得到总损失函数值，然后进行迭代训练更新模型参数，得到最终模型；设备故障诊断时将目标域数据输入最终模型，得到设备故障诊断结果。本发明增强了模型在具有较大分布差异的目标域上的泛化能力，显著提高了设备故障诊断模型诊断准确率。

本发明授权一种基于DMSTFA的多分类器设备故障诊断方法在权利要求书中公布了：1.一种基于DMSTFA的多分类器设备故障诊断方法，其特征在于： 步骤一：按不同工况将数据分为源域与目标域数据； 步骤二：构建设备故障诊断神经网络模型，初始化其参数； 所述的设备故障诊断神经网络由三个部分组成：特征提取器，三个分类器和一个域判别器；具体地，特征提取器包含一个由多层卷积构成的主干网络，三个由单层卷积和池化层构成的特征子空间网络；三个分类器结构相同，每个分类器由一个全连接隐藏层和一个Softmax层组成；域判别器由一个全连接隐藏层和带有逻辑回归的二分类器组成；主干网络用于提取设备数据的低维信号特征，特征子空间网络用于将低维特征映射到不同的空间并从多个角度提取高维特征，卷积层后均有批归一化和Relu层；池化层均选用平均值池化策略，进行特征降采样，置于每个特征子空间的卷积层后，并与全连接隐藏层相连接，最后通过Softmax层输出每个类别上的概率值； 步骤三：将源域和目标域数据输入神经网络中，根据DMSTFA即动态多子空间可转移特征对齐计算各个特征子空间的域适配损失； 所述的DMSTFA设计了一个域适配损失用以提取多个子空间上的可转移特征；Ltransfer表示子空间上源域和目标域可转移特征的对齐损失，总的可转移特征对齐损失由源域与目标域在各个子空间上的域间特征差异损失和类别区分度损失组成，这一部分称为域适配部分，Ltransfer计算方法如下： 其中n表示特征子空间个数，j表示第j个子空间，表示第j个子空间上源域和目标域的可转移特征对齐损失，其中可转移特征分为两部分，一是源域和目标域的域不变特征，二是源域和目标域的类别区分度特征，因此可转移特征对齐损失相应的由两部分组成，一是域间特征差异损失，该损失用于衡量源域和目标域的域间特征差异，从而指导特征提取器提取源域和目标域的域不变特征，显示地对齐源域和目标域的可转移特征；二是类别区分度损失，该损失用于衡量两个域的特征在某个类别上是否具有区分度，由于源域和目标域的类别一致，因此提取二者的类别区分度特征有助于隐式地对齐源域和目标域的可转移特征；式子如下： 式中，表示第j个子空间上源域和目标域的域间特征差异损失，表示第j个子空间上源域和目标域的类别区分度损失，μ表示对齐自适应因子，动态调整特征对齐过程中对齐域不变特征和类别区分度特征的重要性；下面对式中的三个重要组成部分作进一步说明； 具体计算如下： 式中g·表示卷积神经网络，用于提取原始输入数据的低维特征，hj·将低维特征映射到第j个特征子空间，dj表示第j个子空间上源域和目标域的MK-MMD距离，即多核最大均值差异；具体计算如下： 式中表示分类器对源域或者目标域数据预测输出的概率，Cs,t表示两个域的类别数量，c表示某个预测输出类别； μ＝1-2|dhgXs,t-0.5|5 式中，h·将低维特征映射到特征子空间，d·表示域判别器对源域或者目标域子空间高维特征的所属领域判别结果，判别输入数据属于源域还是目标域，在网络中判别器的最后一层采用sigmoid激活函数使得判别结果属于[0,1]之间的一个浮点数，当判别结果接近1认为输入数据属于源域，当判别结果接近0认为输入数据属于目标域，当判别结果接近0.5认为输入特征代表源域和目标域的域不变特征，因为此时域判别器已分不清输入数据属于源域还是目标域，因此μ∈[0,1],当μ→0，表示没有提取到域不变特征，此时更应该关注域间特征差异损失，当μ→1，表示已经提取到域不变特征，此时更应该关注类别区分度损失；因此，对齐自适应因子μ根据实际提取到的特征情况，动态地调节两个损失的重要性，指导特征提取器提取更多可转移特征，并取得良好的特征对齐效果； 步骤四：计算每个子空间的特征相似性权重； 步骤五：根据相似性权重，组合多个分类器的输出，并计算分类损失； 步骤六：将各个特征空间上的域适配损失和分类损失相加，得到总损失函数值，然后进行迭代训练更新模型参数，得到最终模型； 步骤七：设备故障诊断时将目标域数据输入最终模型，得到设备故障诊断结果。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。