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！

龙图腾网获悉北京工业大学申请的专利一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习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：CN117993282B 。

龙图腾网通过国家知识产权局官网在2025-07-11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：202410013035.2，技术领域涉及：G06F30/27；该发明授权一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习方法是由李方昱;陈旭强;杜永萍;韩红桂设计研发完成，并于2024-01-04向国家知识产权局提交的专利申请。

本一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习方法在说明书摘要公布了：本发明设计了一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习方法，旨在解决不同生产线间由于不同域数据分布差异所带来的建模挑战。该算法首先建立一个全局目标函数，该函数基于不同域特征信息瓶颈，考虑数据规模的多样性，对域的压缩表征进行重加权。通过联邦学习框架，实现了跨域不变特征的有效提取，从而提升全局模型的对于故障预测精度。在实际工业环境中，尤其是在面临不同生产线数据差异性时，该方法能有效克服全局模型表达能力受限故障预测精度较低的问题，提供了一种针对智能制造故障诊断领域的高精度联合建模解决方案。

本发明授权一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习方法在权利要求书中公布了：1.一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习方法，其特征在于，包括以下步骤： 1初始化和分发全局模型 a服务器使用取值范围为[0，1]的随机数初始化全局模型参数w； b服务器与不同生产线的客户端进行全局通信，将全局模型参数向量分发到各个生产线的客户端； c不同生产线的客户端接收全局模型参数向量，使用这些参数更新各自的本地模型参数，以满足各自的故障检测任务需求； 2客户端本地训练 a生产线的客户端接收到全局模型参数向量，并且用全局模型参数向量w更新各自的本地模型； b客户端获取和预处理本地数据集； ①获取客户端所属生产线的分类图像数据集，数据集中包含P类故障图像； ②将所有样本分为两组，分别作为训练集和测试集；每个客户端所拥有的训练集表示为其中表示为第k个客户端的第i个故障图像特征和故障类型组成的样本对，为第k个的第i个样本的故障图像特征，为第k个客户端的第i个样本的标签，Nk为第k个客户端的训练集样本数，第k个客户端的测试集样本数表示为Uk；全部K个客户端的数据集总和为N，即N＝∑Nk；训练集的样本与测试集的样本数的比例为4:1，训练集和测试集中包含的故障类别相同； ③将训练集和测试集中的故障图片特征xk的维度大小调整224×224；将调整之后故障图像特征进行归一化至[0，1]，归一化的公式为 其中为归一化后的图像特征，min·和max·分别表示取特征矩阵中的最小值和最大值； c构建并更新分类网络模型； ①构建以信息瓶颈深度学习网络为基础的分类网络:信息瓶颈深度学习网络一共包括4个部分：首先，第一部份为特征编码器部分，它由一个ResNet-18网络和1个编码器构成，处理的是尺寸为224×224像素、具有3个彩色通道的预处理故障图像特征；ResNet-18网络由17个卷积层和1个全连接层依次连接而成，第1个卷积层的核大小为7×7，通道数为64，步幅为2，第1个卷积层通过全局最大池化运算与后续的卷积层链接，然后为第2个卷积层和第17个卷积层依次相连，每个卷积层的核大小均为3×3，步幅为1，这16个卷积层中，第2个到第5个卷积层的通道数为64，第6个到第9个卷积层的通道数为128，第10个到第13个卷积层的通道数为256，而第14个到第17个卷积层的通道数为512，最后第17个卷积层通过全局平均池化运算与一个输入维度为512、输出维度为1000的全连接层相连接，编码器由一个两层的多层感知机构成，输入维度为1000，输出维度为512；接下来，第二部分是重采样层，包含1个均值线性全连接和1个方差线性全连接层，输入和输出维度均为512；第三部分是不变特征分类器，由1个线性全连接层构成，输入维度为512，输出维度为P，即为P类故障的概率；最后，第四部分是域辅助特征分类器，也是由1个线性全连接层构成，但输入维度为513，输出维度为P； ②将接收到的模型参数向量更新本地模型：利用模型参数向量中对应部分的参数对本地模型中的参数进行更新； d训练信息瓶颈分类网络模型； 训练信息瓶颈分类网络模型分为两个阶段，分别为前向传播阶段和后向传播阶段； 前向传播阶段将第k个客户端的本地故障数据集的Nk个故障样本按批次样本数S随机划分为多个特征批次，第k个客户端的第t个特征批次表示为将特征批次依次送入分类网络模型中，经过特征编码器，重采样层，不变特征分类器和域辅助特征分类器，每个批次数据的训练过程如下其过程如下： i.将第k个客户端的第t批次的特征批次输入特征编码器，得到提取的表征z，维度为S×512； ii.将提取的表征z输入重采样层，得到第k个客户端的均值向量vk和方差向量mk，vk和mk的维度为S×512； iii.通过vk和mk进行重参数化，得到压缩表征ψk，ψk的维度为S×512，其中重参数化的公式为： 其中rand·为随机抽样的函数选取[0，1]范围内的随机数，e·为指数函数； iv.将压缩表征ψk输入不变特征分类器，得到向量向量为第k个客户端第t个特征批次的故障预测结果，维度为S×P； v.将压缩表征ψk与域标签k在第一个维度上进行拼接，输入域辅助分类器，得到向量向量为第k个客户端第t个批次的辅助向量，维度为S×P； 后向传播阶段为计算信息瓶颈目标损失函数对于参数的梯度，对分类网络模型参数进行更新，其中信息瓶颈目标损失函数表示为： 其中为第k个客户端第t个批次的模型参数，λ为调节因子，取值为0.01，为第k个客户端的第t批次的特征批次； 在式3中，为域专用损失函数，其计算公式为： 其中和分别为第k个客户端的第s个样本经过特征编码层和重采样层之后输出的均值向量和方差向量，N为所有客户端的训练样本总数，S为一个批次中的所包含的样本数，Nk为第k个客户端中的训练样本数； 在式3中，Linv为不变特征分类器损失函数，其计算公式为： 其中为第k个客户端的第s个样本的输出，lg·为底数为10的对数函数，S为一个批次中的所包含的样本数； 在式3中，Ld为域辅助分类器损失函数，其计算公式为： 其中为第k个客户端的第s个样本的辅助向量，lg·为底数为10的对数函数，S为一个批次中的所包含的样本数； 使用梯度下降算法通过信息瓶颈目标损失函数计算模型参数的梯度，并且更新分类网络模型参数，参数更新的表达式如下所示： 其中ηt为第t个批次的梯度下降的学习率，取值范围为0.01～0.001，为第k个客户端第t+1个批次时的模型参数，为第k个客户端第t个批次时的模型参数，Fk·为第k个客户端的信息瓶颈损失函数，为信息瓶颈损失函数对于参数所求的梯度； e得到基于信息瓶颈的分类网络模型； 将测试集中的样本输入分类网络模型；第i个样本首先输入特征编码器得到提取的表征z；表征z输入重采样层得到提取的均值向量vk和方差向量mk；均值向量和方差向量通过公式2重参数化得到压缩表征ψk；将ψk输入不变特征分类器得到预测的第i个样本的故障类别概率 f上传更新的分类网络模型； 将训练后的故障分类网络模型以模型参数向量的形式上传到服务器； 3服务器聚合客户端模型 a等待所有生产线的客户端训练完成，并且收集所有客户端发送的模型参数向量； b聚合所有客户端上传的本地模型参数向量，得到更新的全局模型参数，其中聚合模型参数的公式为： 其中K表示客户端的数量，Nk表示第k个客户端的训练集样本，wk表示第k个客户端的模型参数向量，w表示全局模型参数向量，N表示所有的K个客户端的训练集样本总数； c将更新的全局模型参数向量发送到所有客户端； 4全局协同迭代训练 服务器和不同生产线的客户端进行协同训练，重复步骤2-3直到全局迭代次数h达到预定的迭代次数H，H的取值为100； 5获取和使用最优全局模型 a服务器将最优全局模型参数向量广播至所有生产线的客户端； b客户端使用收到的模型参数向量更新本地模型得到最终故障分类网络模型； c客户端使用最终故障分类网络模型对所属生产线的故障图像数据进行分类。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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”。