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！

龙图腾网获悉哈尔滨理工大学申请的专利一种基于可解释深度迁移学习的核电厂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：CN119668235B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411799329.9，技术领域涉及：G05B23/02；该发明授权一种基于可解释深度迁移学习的核电厂故障诊断方法是由马战国;贾文豪;田龙;崔京;郑迪昊;崔梓旸设计研发完成，并于2024-12-09向国家知识产权局提交的专利申请。

本一种基于可解释深度迁移学习的核电厂故障诊断方法在说明书摘要公布了：本发明涉及核电厂安全技术领域，公开了一种基于可解释深度迁移学习的核电厂故障诊断方法，包括：获取并预处理多功率水平下的运行数据或模拟数据，划分源域和目标域；构建并初步训练多变量可解释门控循环单元模型，筛选特征；基于自适应焦点损失函数训练源域故障诊断模型；采用自适应焦点混合最大均值差异损失函数进行训练，将源域模型迁移至目标域；最终整合源域和目标域模型形成诊断系统，输入待测数据聚类分配至相应模型中得到故障诊断结果。本发明的方法不仅可以有效处理不同功率水平下的故障诊断任务，实现将各功率水平下的运行工况数据整合并传入单一模型进行训练诊断，提高了模型的准确度和可解释性，可进一步辅助核电厂操作人员决策。

本发明授权一种基于可解释深度迁移学习的核电厂故障诊断方法在权利要求书中公布了：1.一种基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，包括： 步骤S1、获取核电厂在多个功率水平下的真实正常运行数据、真实故障运行数据，和或核电厂模拟机产生的在多个功率水平下的模拟正常运行数据和模拟故障运行数据，将所述真实正常运行数据、所述真实故障运行数据和或所述模拟正常运行数据、所述模拟故障运行数据，根据其对应的功率水平进行划分和预处理生成源域数据与目标域数据； 步骤S2、利用所述源域数据与所述目标域数据对多变量的编码门控循环单元模型进行模型结构的简化构建； 步骤S3、以所述源域数据作为所述简化编码门控循环单元模型的输入，通过自适应焦点损失函数对其进行训练，生成源域的源域核电厂故障诊断模型； 步骤S4、将所述源域核电厂故障诊断模型迁移到目标域，并将所述目标域数据作为其输入通过自适应焦点混合最大均值差异损失函数对其进行训练，生成目标域核电厂故障诊断模型； 步骤S5、将所述源域核电厂故障诊断模型和所述目标域核电厂故障诊断模型并行组合，形成用于检测核电厂在多个功率水平下是否发生故障的核电厂多工况故障诊断系统； 其中，所述源域为核电厂的一个或多个功率水平，所述目标域为不包括源域的核电厂的一个或多个功率水平； 在所述步骤S2中，所述多变量的编码门控循环单元模型包括独立变量编码门控循环单元与混合注意力机制； 所述独立变量编码门控循环单元，对所述源域数据与所述目标域数据的隐藏状态进行编码； 所述混合注意力机制，连接于所述独立变量编码门控循环单元，用于整合所述隐藏状态，输出全局变量贡献度； 所述独立变量编码门控循环单元，根据所述全局变量贡献度求取最优贡献度阈值，并根据所述最优贡献度阈值进行模型结构的简化构建； 所述的步骤S2包括以下步骤： 步骤S21、将输入的所述源域数据与所述目标域数据按照时间步划分后与对应的权重进行矩阵点乘得到第一输出矩阵； 步骤S22、将所述隐藏状态和对应的权重矩阵进行矩阵乘法计算得到第二输出矩阵； 步骤S23、通过时间步的循环进行所述隐藏状态的累积，生成用于表示整体隐藏状态的整体序列； 步骤S24、将所述隐藏状态经过所述混合注意力机制进行整合与特征提取，输入所述独立变量编码门控循环单元的更新门、重置门、候选隐藏状态和隐藏状态的数据以进行模型结构的简化构； 所述混合注意力机制包括逐变量时间注意力子机制和特征注意力子机制，所述步骤S24包括： 将所述整体隐藏状态通过所述逐变量时间注意力子机制生成所述整体序列中各个时间步的影响权重和各个时间步的隐藏状态的贡献度； 通过所述特征注意力机制对所述贡献度进行动态调整； 所述的通过特征注意力机制对贡献度进行动态调整，具体为： 将所述贡献度与当前时间步的隐藏状态进行拼接后，计算出特征的注意力权重，根据所述注意力权重计算置信度，将所述置信度用于调整所述混合注意力机制； 所述混合注意力机制的混合注意力层中通过单个变量的所述注意力权重量化计算所述全局变量贡献度； 剔除低于初始贡献度阈值的特征变量，再次利用所述源域数据进行混合注意力机制的训练，验证混合注意力机制的诊断准确度是否与未进行特征变量剔除前一致，若一致则提升所述初始贡献度阈值再次进行混合注意力机制的训练和验证，直至诊断准确度与未进行特征变量剔除前不一致，将当前的所述初始贡献度阈值确定为最优贡献度阈值； 或者，采用遗传算法，将贡献度阈值设置为个体与染色体，将诊断准确度设置为适应度，求取所述最优贡献度阈值。

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哈尔滨理工大学，其通讯地址为：150080 黑龙江省哈尔滨市南岗区学府路52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”。

以上内容由龙图腾AI智能生成。