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！

龙图腾网获悉集美大学申请的专利一种旋转机械样本极度不平衡条件下的智能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：CN120197065B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202510682609.X，技术领域涉及：G06F18/2415；该发明授权一种旋转机械样本极度不平衡条件下的智能故障诊断方法是由魏美容;王欢;黎国强;宋丹;余悦设计研发完成，并于2025-05-26向国家知识产权局提交的专利申请。

本一种旋转机械样本极度不平衡条件下的智能故障诊断方法在说明书摘要公布了：本发明涉及一种旋转机械样本极度不平衡条件下的智能故障诊断方法，属于旋转机械智能故障诊断领域。所述方法，包括：利用旋转机械可大量获得的正常状态样本与极度缺少的故障状态样本进行组合；构造正常状态样本与故障状态样本的对比矩阵；利用对比矩阵，设计一种全新的对比学习损失函数；构建基于胶囊神经网络特征编码器与基于全连接神经网络相似性计算网络；结合对比学习损失函数与正常、故障状态样本，对网络结构的参数进行优化；运用得到的特征编码器，设计故障诊断算法，实现旋转机械在线故障诊断。本发明突破了故障状态样本与正常状态样本实际中不平衡的限制，利用极少故障状态样本建立旋转机械智能故障诊断模型，实现了其故障的高精度诊断。

本发明授权一种旋转机械样本极度不平衡条件下的智能故障诊断方法在权利要求书中公布了：1.一种旋转机械样本极度不平衡条件下的智能故障诊断方法，其特征在于，引入旋转机械两个连续正常状态样本间高度相似且不同故障状态样本互异的先验知识，构造不同故障状态样本分别与相邻正常状态样本组合后的对比关系，同时基于该对比关系构造对比学习损失函数；构建深度学习模型，并结合对比学习损失函数、正常状态样本和故障状态样本，进行深度学习模型的训练；将待测样本与正常状态样本进行组合，输入已训练好的深度学习模型之中，以诊断旋转机械状态；所述方法，包括如下步骤： （1）收集旋转机械正常状态监测数据，通过滑动窗取样，获得正常状态样本，同时，收集旋转机械故障时的每类故障状态样本作为基准故障状态样本； （2）根据正常状态监测数据的采集时序，取两个连续正常状态样本，两两进行组合，同时分别与基准故障状态样本进行组合，构成训练数据集； （3）构建深度学习模型，设计模型网络输入层与输出层，其中输入层接收训练数据集中的两个输入样本，输出层为两个输入样本间的相似性； （4）结合构造的样本组合，引入两个连续正常状态样本间高度相似且不同故障状态样本互异的先验知识，构造对比矩阵，设计对比学习损失函数； （5）利用获得的正常状态样本和基准故障状态样本，结合对比学习损失函数，训练所构建的深度学习模型； （6）基于训练好的深度学习模型，诊断旋转机械状态； 由监督学习训练的物理先验知识，将相似度对比矩阵M与作交叉熵计算 其中，H为熵的计算，为n*n期望矩阵，表述为： 为散度计算，表示M与的相似度； 其中，表示矩阵中的第I行、第J列； 得到 最终得到一个全新的交叉熵对比损失函数： 其中，为损失函数，表示矩阵中的第k行元素，表示中第k行元素，表示M中第k行元素，为惩罚因子，T表示转置符号，为权重系数； 对于正常状态样本与基准故障状态样本之间也存在信息熵上的差异，因此采用物理先验知识0与1对这种差异进行描述，即两两正常状态样本之间具有高度相似性，将其描述为1；正常状态样本与基准故障状态样本之间具有互异性，将其描述0；基于此，构建一种新的二值分类交叉熵损失函数，定义为： 其中，为正常状态样本，为基准故障状态样本，，C表示基准故障状态样本数；当j=0时，，j≠0时，，由深度学习模型输出的预测值，K表示第K次； 在样本极度不平衡条件下，最终的对比学习损失函数表示为： 其中，为损失函数，为二值分类交叉熵损失函数。

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集美大学，其通讯地址为：361021 福建省厦门市集美区银江路185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”。