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长三角研究院(嘉兴);北京理工大学;山西云行科技有限公司申请的专利基于动态相对优势驱动的动力装置多故障协同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：CN120849810B 。

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：202511361378.9，技术领域涉及：G06F18/15；该发明授权基于动态相对优势驱动的动力装置多故障协同诊断方法是由伊枭剑;滕振鹏;王彪;张景景设计研发完成，并于2025-09-23向国家知识产权局提交的专利申请。

本基于动态相对优势驱动的动力装置多故障协同诊断方法在说明书摘要公布了：本发明涉及机电复合传动系统故障诊断技术领域，公开了一种基于动态相对优势驱动的动力装置多故障协同诊断方法，包括构建基于变分信息瓶颈理论的跨故障类型泛化联合诊断策略。该策略借助自适应变分编码器，提取各故障类型的最优特征表示，通过最小化信息瓶颈损失，压缩冗余信息。同时结合标签监督，实现对缺失数据不完全样本的有效利用；设计故障特征相对优势评估技术，通过均方误差损失量化不同故障类型的特征表达能力，并定义相对优势指标以识别强优势与弱优势故障；构建带监督权重自适应调整机制的双层协同优化算法；内层基于当前权重训练多故障诊断模型；外层依据相对优势动态调节各故障类型的监督强度，有效平衡因缺失率差异导致的训练偏差。

本发明授权基于动态相对优势驱动的动力装置多故障协同诊断方法在权利要求书中公布了：1.一种基于动态相对优势驱动的动力装置多故障协同诊断方法，其特征在于，包括以下步骤： 获取多故障类型多传感器原始数据集，并标记每条数据的缺失状态以及进行预处理； 通过自适应变分编码器提取预处理后标准化数据集中各故障类型不同传感器的最优特征表示； 基于最优特征表示判断每类故障数据是否缺失，若缺失，则基于交互式残差自动编码器最小化信息瓶颈损失，跨传感器特征融合借助其他故障类型最优特征弥补当前故障数据缺失，结合标签监督重构补全缺失片段，输出该故障类型泛化特征；若完整，通过均方误差监督约束特征提取质量，输出泛化特征； 获取泛化特征后通过均方误差损失量化各故障类型的特征表达能力，定义相对优势； 进行双层协同优化，在进行外层优化时基于相对优势调整各故障类型的监督权重，内层优化时基于当前监督权重训练多故障诊断模型，最小化加权损失，并采用动态自适应梯度约束避免参数更新异常； 经过优化训练后，通过解码器对泛化特征进行解码，重构出原始信号，并基于重构出的原始信号进行故障标签预测，输出故障类型； 获取泛化特征后通过均方误差损失量化各故障类型的特征表达能力，定义相对优势，包括： 通过均方误差损失量化各故障类型的特征表达能力，并将K类故障类型的均方误差损失求平均，作为衡量各故障类型表现的基准； 其中，表示第k个故障类型的均方误差损失，表示均方误差损失平均值； 基于均方误差损失平均值，定义故障类型相对优势 基于相对优势判定强优势故障与弱优势故障： 当时，故障k相对于其他故障被认为是强优势故障；故障k的插补损失与平均值相当，属于平衡状态；当时，故障k的插补损失大于平均损失，属于弱优势故障； 在外层优化时，基于相对优势调整各故障类型的监督权重，目标函数为： 其中，表示相对优势向量，ξ1表示权重范数下界，ξ2表示权重范数上界，p表示L1正则化； 权重的更新遵循以下规则： 其中，表示将更新后的权重投影到约束范围内，α表示学习率，控制更新步长；表示第t次迭代时各故障类型的监督权重向量，代表当前迭代步骤中用于故障诊断监督的权重配置；表示第t+1次迭代时更新后的监督权重向量，是依据更新规则对调整并投影到约束范围后的结果。

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北京理工大学长三角研究院(嘉兴);北京理工大学;山西云行科技有限公司，其通讯地址为：314018 浙江省嘉兴市秀洲区油车港镇东方北路1940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。