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！

龙图腾网获悉浙江大学申请的专利一种基于联邦自监督学习的设备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：CN116910652B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202310893683.7，技术领域涉及：G06F18/241；该发明授权一种基于联邦自监督学习的设备故障诊断方法是由刘振宇;郑皓文;刘惠;谭建荣设计研发完成，并于2023-07-20向国家知识产权局提交的专利申请。

本一种基于联邦自监督学习的设备故障诊断方法在说明书摘要公布了：本发明公开了一种基于联邦自监督学习的设备故障诊断方法。包括：首先，服务器初始化特征提取器的权重并下发至各个客户端；接着，各客户端利用传感器采集本地设备工作时产生的信号并记为本地振动数据，进而获得无标签数据集和有标签数据集；然后，各客户端在联邦自监督学习框架下分别训练本地特征提取器，进而获得训练好的本地特征提取器；接着各客户端在监督学习框架下分别训练分类器，获得对应的客户端分类器，连接特征提取器和客户端分类器形成故障诊断模型；最后，利用客户端的故障诊断模型进行设备诊断。本发明解决了旋转设备故障数据集较小、分散并且缺乏标签难以训练出高精度诊断模型的问题。

本发明授权一种基于联邦自监督学习的设备故障诊断方法在权利要求书中公布了：1.一种基于联邦自监督学习的设备故障诊断方法，其特征在于，包括以下步骤： S1：服务器初始化特征提取器的权重，并将该权重下发至各个客户端，各个客户端均使用该权重作为本地特征提取器的初始权重； S2：各客户端利用传感器采集本地设备工作时产生的信号并记为本地振动数据，接着对本地振动数据进行预处理后，获得无标签数据集和有标签数据集； S3：在联邦自监督学习框架下，各客户端使用无标签数据集训练本地特征提取器，进而获得训练好的本地特征提取器； 所述S3具体为： S31：每轮训练中，各客户端在自监督学习框架下分别使用无标签数据集训练本地特征提取器，获得当前轮训练后各客户端的本地特征提取器权重并均上传至服务器； S32：服务器聚合全体客户端的本地特征提取器权重后，获得全局特征提取器权重并下发该权重至各客户端的本地特征提取器； S33：重复S31-S32，进行多轮全局特征提取器权重的更新，直至达到预设轮次，将最终的全局特征提取器权重下发至各客户端的本地特征提取器，各客户端从而获得训练好的本地特征提取器； 所述本地特征提取器在训练过程中，输出第一特征矩阵和第二特征矩阵，使用梯度下降算法优化特征提取器权重，损失函数包括第一损失函数和第二损失函数，第一损失函数的计算公式如下： + 其中，为批次大小，分别为第一和第二超参数，为指示函数；i与j分别表示批次中样本的第一、第二索引；为上下文对比损失函数，为时间对比损失函数，表示第一裁剪特征矩阵，表示第二裁剪特征矩阵，分别表示第一和第二起始位置，分别表示第一和第二位置；表示特征矩阵时间维度的长度；表示第二裁剪特征矩阵中样本i在时间步的特征，表示第一裁剪特征矩阵中样本i在时间步的特征，表示第一裁剪特征矩阵中的样本i，表示第二裁剪特征矩阵中的样本i，表示第二裁剪特征矩阵中的样本j； 第二损失函数的计算公式如下： 其中，、分别表示第个客户端第轮的本地特征提取器提取的第一特征矩阵和第一特征矩阵，、分别表示第个客户端第轮的本地特征提取器提取的第一特征矩阵和第一特征矩阵，表示每个客户端使用在第轮训练时从服务器接收的全局特征提取器权重提取的特征； S4：各客户端在监督学习框架下分别使用标签数据集训练分类器，获得对应的客户端分类器，每个客户端中，由当前本地特征提取器与客户端分类器连接后形成故障诊断模型； S5：将待诊断设备的传感器数据经过预处理后接入到对应客户端的故障诊断模型中，获得对应的设备诊断结果。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。