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！

龙图腾网获悉山东科技大学申请的专利一种水下机器人螺旋桨式推进器跨域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：CN120705742B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202511143520.2，技术领域涉及：G06F18/2431；该发明授权一种水下机器人螺旋桨式推进器跨域智能故障诊断方法是由田群宏;郭潇;封勇;李洪宇;马卫状设计研发完成，并于2025-08-15向国家知识产权局提交的专利申请。

本一种水下机器人螺旋桨式推进器跨域智能故障诊断方法在说明书摘要公布了：本发明提供了一种水下机器人螺旋桨式推进器跨域智能故障诊断方法，属于水下机器人故障诊断领域。通过动态对抗生成网络引入能量特征和环境参数，构建频域物理约束，生成适配目标域的伪故障数据，利用时域与频域双判别器保障生成信号真实性与合理性。环境残差适配网络通过构建残差动态补偿机制，将目标域的实测特征与伪故障特征之间的残差，与环境参数编码后的环境因子进行融合，构建环境参数与特征残差的动态映射关系，自适应生成特征补偿量，实现全局分布对齐和局部残差补偿的双层域适应，能够有效提升水下机器人推进器故障诊断在不同水域环境下的泛化能力与诊断准确性。

本发明授权一种水下机器人螺旋桨式推进器跨域智能故障诊断方法在权利要求书中公布了：1.一种水下机器人螺旋桨式推进器跨域智能故障诊断方法，其特征在于，具体包括如下步骤： 获取水下机器人螺旋桨式推进器在实验室水域中模拟作业的源域故障诊断数据，并从源域故障诊断数据中提取源域能量特征，其中，源域故障诊断数据包括源域振动数据和源域电流数据； 获取水下机器人螺旋桨式推进器在真实水域环境下实际作业的目标域故障诊断数据和环境参数，其中，目标域故障诊断数据包括目标域振动数据和目标域电流数据，目标域环境参数包括目标域盐度和目标域温度； 构建动态对抗生成网络数据增强模型，将源域能量特征、目标域故障诊断数据和环境参数输入动态对抗生成网络数据增强模型，动态对抗生成网络数据增强模型根据源域能量特征和目标域环境参数确定频域物理规律约束，生成目标域伪故障数据，其中，动态对抗生成网络数据增强模型包括生成器和判别器，生成器包括环境参数编码模块、残差注意力模块和反小波包合成模块，判别器包括时域判别器和频域判别器； 构建环境残差适配网络跨域故障诊断模型，将目标域伪故障数据、目标域故障诊断数据和环境参数输入环境残差适配网络跨域故障诊断模型，环境残差适配网络跨域故障诊断模型提取目标域的实测特征、伪故障特征和环境因子，将目标域的实测特征与伪故障特征之间的残差与环境因子进行融合，构建环境参数与特征残差的动态映射关系，自适应生成特征补偿量，对补偿后的特征进行故障诊断，得到故障类型，其中，环境残差适配网络跨域故障诊断模型包括特征提取器、残差补偿模块和故障分类器，特征提取器包括共享特征提取器和私有特征提取器； 所述从源域故障诊断数据中提取源域能量特征，具体包括如下步骤： 小波包分解：利用Daubechies小波对源域故障诊断数据进行五层小波包分解，将划分为32个频段，得到32个频段小波包系数； 能量特征提取：根据32个频段小波包系数根据计算每个频段的能量，共得到32个频段的源域振动能量特征向量和源域电流能量特征向量，形成频域能量特征向量，如公式1所示： 1； 式中，为第个频段的能量，为第个频段的小波包系数，为第个频段的小波包系数的个数； 所述动态对抗生成网络数据增强模型根据源域能量特征和目标域环境参数确定频域物理规律约束，生成目标域伪故障数据，具体包括如下步骤： 生成器接收源域故障诊断数据经小波包分解提取的频段能量特征向量、目标域盐度和温度以及随机噪声向量作为输入； 环境参数编码模块对目标域盐度和温度进行编码，将盐度和温度映射为频段偏移量，确保生成信号主频适配当前水域，如公式2所示： 2； 式中，为频段索引偏移量，为盐度影响系数，为温度影响系数，和为源域基准环境参数； 残差注意力模块对源域振动能量特征进行频段偏移调整，并采用SimAM频域注意力机制计算各频段权重并生成加权源域振动能量特征 反小波包合成模块将加权后的源域振动能量特征转换为时域信号，生成目标域伪振动数据 将随机噪声向量与目标域伪振动数据拼接输入多层感知机，生成目标域伪电流数据 将目标域伪振动数据和目标域伪电流数据合成为目标域伪故障数据 判别器接收目标域故障诊断数据与目标域伪故障数据； 时域判别器将目标域伪振动数据和目标域伪故障数据进行拼接作为第一输入，将目标域故障诊断数据作为第二输入，通过卷积神经网络提取时域特征并输出真实性概率； 频域判别器对目标域振动数据进行快速傅里叶变换得到幅值谱，通过卷积神经网络分析目标域伪振动数据和幅值谱频域分布特征并输出合理性概率； 生成器的损失函数表示为： 3； 4； 5； 判别器的损失函数表示为： 6； 动态对抗生成网络数据增强模型的目标函数表示为： 7； 式中，为时域判别器损失权重，为频域判别器权重，为目标域故障诊断数据，为快速博立叶变换，为期望运算，分别对目标域故障诊断数据和目标域伪故障数据求平均，为目标域伪振动数据，为目标域伪电流数据，为时域对抗损失，为频域对抗损失，为物理约束损失，为故障能量阈值，为来自SimAM频域注意力机制的频段权重，为频谱保真约束损失； 生成器通过最小化目标函数，使得生成的数据能够欺骗判别器，让认为生成的数据是真实的；判别器通过最大化目标函数，使能够准确区分出真实故障数据和伪故障数据； 所述环境残差适配网络跨域故障诊断模型提取目标域的实测特征、伪故障特征和环境因子，将目标域的实测特征与伪故障特征之间的残差与环境因子进行融合，构建环境参数与特征残差的动态映射关系，自适应生成特征补偿量，对补偿后的特征进行故障诊断，得到故障类型，具体包括如下步骤： 针对目标域伪故障数据和目标域故障诊断数据，共享特征提取器采用双层一维卷积神经网络，首层64个5×1卷积核以步长2提取宏观特征，经最大池化压缩后，第二层128个3×1卷积核捕捉微观波动，最终展平并通过全连接层输出256维目标域原始故障特征向量和目标域伪故障特征向量； 针对环境参数，私有特征提取器采用两层ReLU激活的全连接网络压缩并编码环境信息，线性映射输出16维环境因子向量； 采用MMD对目标域原始故障特征向量和目标域伪故障特征向量进行全局对齐，以降低目标域原始故障特征和伪故障特征的整体分布差异； 残差补偿模块输入为目标域原始故障特征向量、目标域伪故障特征向量和环境因子向量； 计算目标域原始故障特征向量与目标域伪故障特征向量全局对齐后残留的局部特征残差，如公式8所示： 8； 将环境因子与局部特征残差拼接为272维向量输入LSTM网络，建立环境参数与特征偏移的动态映射，如公式9所示： 9； 式中，为遗忘门输出向量，为输入门输出向量，为输出门输出向量，为候选状态，为输入权重矩阵，为循环权重矩阵，为偏置向量，为Sigmoid函数，tanh为双曲正切函数； 更新细胞状态，如公式10和11所示： 10； 11； 式中，为当前时刻更新后的细胞状态，为上一时刻细胞状态，为当前隐藏状态； 最终输出门生成64维隐藏状态，经全连接层解码为256维特征补偿量； 特征补偿量的幅度通过LSTM网络输出与特征提取器的尺度匹配，确保物理约束的方向一致性与特征空间尺度兼容； 将特征补偿量应用于目标域原始故障特征向量，生成补偿后的目标域特征向量； 将残差补偿模块生成的目标域特征向量作为故障分类器的输入，目标域特征向量通过全连接层映射至故障类别空间，如公式12所示： 12； 式中，为分类层权重矩阵，为偏置向量，表示故障概率分布； 特征对齐损失表示为： 13； 式中，表示期望，为目标域实测样本，为目标域数据分布，为最小化目标域原始故障特征和伪故障特征的直接差异，MMD为最大均值差异，γ为超参数； 物理约束损失表示为： 14； 式中，为正则化系数，为LSTM网络的参数矩阵； 故障分类损失表示为： 15； 式中，为对目标域伪故障数据分布求期望，为补偿后的伪故障特征，为目标域伪故障数据标签，为故障分类概率； 故障分类目标函数表示为： 16； 式中，为特征对齐权重；为物理约束权重；为故障分类权重。

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山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579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。