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！

龙图腾网获悉北京中元瑞讯科技有限公司申请的专利基于通道注意力与不变性学习的抽油机诊障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：CN120354252B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202510854432.7，技术领域涉及：G06F18/2415；该发明授权基于通道注意力与不变性学习的抽油机诊障方法及系统是由崔悦;胡志群;刘艺;冀锐龙;韩栋;田万顺;李震;李春华;李学艺设计研发完成，并于2025-06-25向国家知识产权局提交的专利申请。

本基于通道注意力与不变性学习的抽油机诊障方法及系统在说明书摘要公布了：基于通道注意力与不变性学习的抽油机诊障方法及系统，本发明为解决现有抽油机故障诊断方法的特征提取存在局限性或者与提取要求实际存在偏差，导致故障诊断模型失效或者领域偏移，且采用的单尺度特征交互不足，条件分布失配，最终导致诊断结果准确率低的问题。本发明采集抽油机电机和减速箱的多工况振动信号构建带标签源域数据集和无标签目标域数据集；预处理带标签源域数据集和无标签目标域数据集；构建故障诊断模型，所述故障诊断模型包括多尺度通道注意力单元、分类器、不变性特征学习单元和联合域适应单元，将预处理后的数据集输入故障诊断模型内，输出故障类别及定位信息。本发明属于抽油机故障诊断技术领域。

本发明授权基于通道注意力与不变性学习的抽油机诊障方法及系统在权利要求书中公布了：1.一种基于通道注意力与不变性学习的抽油机诊障方法，其特征在于：它包括以下步骤： S1、分别采集抽油机电机的多工况振动信号和减速箱的多工况振动信号，根据采集的所有多工况振动信号构建带标签源域数据集和无标签目标域数据集； S2、分别对带标签源域数据集和无标签目标域数据集进行预处理，得到带标签源域数据集Ⅲ和无标签目标域数据集Ⅲ； S3、构建故障诊断模型，将带标签源域数据集Ⅲ和无标签目标域数据集Ⅲ输入故障诊断模型内进行训练，输出故障类别及定位信息，得到训练好的故障诊断模型； 所述故障诊断模型包括多尺度通道注意力单元、分类器、不变性特征学习单元和联合域适应单元，具体过程为： S31、将带标签源域数据集Ⅲ和无标签目标域数据集Ⅲ输入多尺度通道注意力单元内进行特征提取，输出每个数据样本对应的特征，得到带标签源域数据集Ⅲ的特征集和无标签目标域数据集Ⅲ的特征集； 所述多尺度通道注意力单元依次包括卷积层1、批量归一化层1、ReLU激活层1、最大池化层1、Msk‑ECA模块、卷积层2、批量归一化层2、ReLU激活层2、最大池化层2、Msk‑ECA模块、卷积层3、批量归一化层3、ReLU激活层3、最大池化层3、Msk‑ECA模块、卷积层4、批量归一化层4、ReLU激活层4和最大池化层4； 所述Msk‑ECA模块依次包括全局平均池化层、多尺度卷积交互层、特征加权融合层和Sigmoid激活层； 所述全局平均池化层对输入的特征图沿时间维度压缩，生成通道描述符； 所述多尺度卷积交互层基于通道描述符，采用3种不同尺寸的一维卷积核并行提取通道交互特征； 所述特征加权融合层将通道交互特征相加，得到相加后的通道交互特征； 所述Sigmoid激活层将相加后的通道交互特征通过Sigmoid激活生成最终通道权重，利用最终通道权重对所述全局平均池化层输入的特征图进行加权，输出通道加权特征图，根据通道加权特征图得到对应的特征； S32、将S31得到的带标签源域数据集Ⅲ的特征集和无标签目标域数据集Ⅲ的特征集输入分类器中，分别输出源域数据的预测概率和目标域数据的预测概率，根据目标域数据的预测概率生成对应目标域数据的伪标签； S33、将S31得到的带标签源域数据集Ⅲ的特征集和无标签目标域数据集Ⅲ的特征集，以及S32输出的源域数据的预测概率和目标域数据的伪标签输入不变性特征学习单元内，根据带标签源域数据集Ⅲ的特征集和源域数据的预测概率计算源域交叉熵损失，根据无标签目标域数据集Ⅲ的特征集和目标域数据的伪标签计算目标域伪标签损失，计算源域交叉熵损失和目标域伪标签损失对故障诊断模型参数的梯度内积； S34、将S31得到的带标签源域数据集Ⅲ的特征集和无标签目标域数据集Ⅲ的特征集，以及S32输出的源域数据的预测概率、目标域数据的预测概率和目标域数据的伪标签输入联合域适应单元内，利用条件对抗网络得到最佳域判别器损失函数，并生成条件分布，采用联合最大均值差异进行分布对齐，具体过程为： 根据S31得到的带标签源域数据集Ⅲ的特征集中的特征得到对应的特征向量，根据S31得到的无标签目标域数据集Ⅲ的特征集中的特征得到对应的特征向量，将得到的两部分特征向量和S32输出的源域数据的预测概率、目标域数据的预测概率输入条件对抗网络内，计算每个特征向量与对应预测概率的外积作为对应的条件特征，得到所有条件特征，根据所有条件特征，利用梯度反转层训练域判别器，得到最佳的域判别器，计算最佳的域判别器的损失函数并生成每个数据样本的条件分布； 其中，hi为第i个源域数据特征的特征向量，hj为第j个目标域数据特征的特征向量，pi为第i个源域数据的预测概率，pj为第j个目标域数据的预测概率，为第i个源域数据的条件特征，为第i个目标域数据的条件特征，D·为域判别器的输出； 同时，根据S31得到的带标签源域数据集Ⅲ的特征集和无标签目标域数据集Ⅲ的特征集、S32输出的所述目标域数据的伪标签，以及所述每个数据样本的条件分布，利用联合最大均值差异同步对齐源域数据集中与目标域数据集中同类数据样本的边际分布与条件分布： 其中，表示分布对齐，表示源域数据集中属于第c类的样本集合，xi表示源域数据集中属于第c类的样本，表示目标域数据集中属于第c类的样本集合，xj表示目标域数据集中属于第c类的样本，表示源域数据集中第c类的样本数量，表示目标域数据集中第c类的样本数量，φ·表示高斯核映射函数，表示RKHS空间中的范数； S35、所述故障诊断模型还包括多目标联合优化单元，将S33得到的源域交叉熵损失和梯度内积，以及S34得到的最佳域判别器损失函数和分布对齐输入多目标联合优化单元内进行整合，将整合后的结果作为故障诊断模型的总损失函数； S36、根据S32输出的目标域数据的预测概率，添加熵加权策略筛选高置信度目标域预测结果，输出故障类别及定位信息，具体过程为： 根据目标域数据的预测概率计算熵值Hp： 其中，pc为目标域数据的预测概率； 根据熵值Hp生成权重wH＝e‑Hp，筛选高置信度目标域预测结果； 至此，得到训练好的故障诊断模型； S4、采集待诊断的电机多工况振动信号或减速箱多工况振动信号，将采集的多工况振动信号输入S3中训练好的故障诊断模型内，输出对应的故障类别及定位信息。

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中元瑞讯科技有限公司，其通讯地址为：100085 北京市海淀区创业路8号5号楼5层5-7；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”。