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！

龙图腾网获悉北京理工大学申请的专利基于对抗域判别的异构工况织机轴承故障识别方法及模型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：CN115952451B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202211575016.6，技术领域涉及：G06F18/2415；该发明授权基于对抗域判别的异构工况织机轴承故障识别方法及模型是由李爽;布仁呼;刘驰设计研发完成，并于2022-12-08向国家知识产权局提交的专利申请。

本基于对抗域判别的异构工况织机轴承故障识别方法及模型在说明书摘要公布了：本发明提出一种基于对抗域判别的异构工况织机轴承故障识别方法及模型，目标域的机器状态数据为无标注的原始机器数据，通过这些无标注的数据训练模型，在大大提高目标域的机器故障识别性能的同时，也降低了人工标注数据的时间和成本，省时省力，这样的模型在工业生产状态监控中，有着更好的应用前景，对于工业机器健康数据有着更好的使用效果；通过两个分类器之间的对抗训练，以及分离器与工况判别器之间的对抗训练，对存在领域偏差的异构工况数据集进行调整，使得在与源域偏差较大的目标域数据集中，模型也有很好的故障识别精确度。

本发明授权基于对抗域判别的异构工况织机轴承故障识别方法及模型在权利要求书中公布了：1.一种基于对抗域判别的异构工况织机轴承故障识别方法，其特征在于，包括： 步骤1，织机状态输入模块定义新收集到的织机故障识别的目标域数据集Ot和已经存在的原始织机故障识别的源域数据集Os； 步骤2，基于卷积神经网络构造织机轴承特征提取模块，基于对抗训练的思想构建织机轴承故障双重诊断模块，织机轴承特征提取模块接收来自织机状态输入模块传入的数据，提取样本特征，利用两个分类器关于目标域数据样本预测的差异，找到源域支持外的目标域数据样本，对齐源域与目标域的数据分布； 步骤3，织机轴承主性质分离模块通过主性质分离器与工况判别器之间的对抗训练，从数据集的每个样本中，提取源域和目标域相似的主性质； 步骤4，异构织机轴承特征加权模块利用主性质，对数据特征进行加权，并分别将加权后的源域特征和目标域特征按列取平均值，再利用异构加权特征对齐模块将目标域与源域的异构加权特征均值对齐； 步骤5，根据源域数据样本以及目标域数据样本对织机轴承故障识别模型训练： 步骤511，织机状态输入模块随机选取一定量的源域数据样本以及目标域数据样本，传入织机轴承特征提取模块中； 步骤512，源域数据样本以及目标域数据样本数据经过织机轴承特征提取模块处理后，获得多维度特征； 步骤513，织机轴承故障双重诊断模块获得多维度特征，并分别得到源域数据样本和目标域数据样本的轴承故障类别预测概率值，基于目标域数据样本的预测概率值获得差异损失最大化差异损失基于源域数据样本的预测概率值，获得分类交叉熵损失与完成一级模型训练； 织机轴承故障识别二级模型训练包括： 步骤521，织机轴承故障双重诊断模块获得多维度特征，得到样本预测概率值，并最小化所述差异损失基于两个分类器对目标域数据样本的预测值，得到类级权重基于类级权重得到类级加权分类交叉熵损失 步骤522，织机轴承主性质分离模块根据样本特征得到分离的织机状态主性质；根据工况判别器，构建工况判别损失 步骤523，异构织机轴承特征加权模块根据样本特征和织机状态主性质，将样本特征映射到主性质的回归损失得到异构织机轴承特征加权模块输入层的梯度值梯度值作为特征级加权的权重值，维度与相应特征的维度相同；将权重值与相应特征进行元素级的相乘操作，得到特征级加权的源域与目标域数据样本特征，将源域与目标域数据样本特征分别按维度取平均值传入异构加权特征对齐模块中，再构造对齐损失函数将取平均值后的加权源域和目标域特征对齐； 步骤524，用对齐损失函数以及构建训练阶段的总训练损失利用梯度下降算法进行反向传播，更新织机轴承特征提取模块与织机轴承故障双重诊断模块的参数，最小化损失函数，实现模型在目标域数据中的织机轴承故障识别； 步骤525，重复步骤524进行训练，直至达到最大迭代次数； 步骤6，将目标域数据集Ot输入到已经训练好的织机轴承故障识别模型中，对目标域的织机状态数据进行分析，将两个分类器预测结果传入故障状态输出模块，取均值输出，将分类置信度最大的类别作为织机轴承的故障类别，完成目标域的织机轴承故障识别任务。

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理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。