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！

龙图腾网获悉西南交通大学申请的专利基于传感器信号与深度迁移学习的易损件失效预测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：CN116628418B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202310348914.6，技术领域涉及：G06F18/10；该发明授权基于传感器信号与深度迁移学习的易损件失效预测方法是由蔡振兵;游磊;李珂;聂裕宸;彭雪峰;王战江;唐卓全;左骏红;方修洋设计研发完成，并于2023-04-03向国家知识产权局提交的专利申请。

本基于传感器信号与深度迁移学习的易损件失效预测方法在说明书摘要公布了：本发明公开了一种基于传感器信号与深度迁移学习的易损件失效预测方法，包括S1、将传感器安装于易损件上的不同位置；S2、接收不同传感器在易损件上采集到的信号；对接收的信号进行数据处理与频谱分析，确定传感器最佳安装位置；S3、将最佳位置采集到信号经过异常值与降噪处理，再提取其不同作用域的特征；S4、采用CNN卷积神经网络、并结合DANN和MMD特征迁移方法构建易损件的深度学习预测模型；S5、采用易损件的深度学习预测模型进行易损件的失效预测。本发明利用迁移学习进行易损件失效预测可以提高预测精度、减少数据需求、加速模型训练，同时实现知识共享，具有很大的应用前景和实际价值。

本发明授权基于传感器信号与深度迁移学习的易损件失效预测方法在权利要求书中公布了：1.一种基于传感器信号与深度迁移学习的易损件失效预测方法，其特征在于，包括以下步骤： S1、将不同传感器安装于易损件上的不同位置； S2、接收不同传感器在易损件上采集的信号，对接收的信号进行数据处理与频谱分析，确定传感器最佳安装位置； S3、将最佳位置采集到信号经过异常值与降噪处理，提取其不同作用域的特征； S4、采用CNN卷积神经网络、并结合DANN和MMD特征迁移方法构建易损件的深度学习预测模型； 深度学习预测模型，具体包括： S4.1、特征提取器：将源域信号与目标域信号通过CNN卷积神经网络进行深度特征提取，并将所得特征进行扁平化处理； S4.2、预测器：将特征提取器所获取的源域信号特征代入到多个全连接神经网络中进行模型的预训练，计算该全连接神经网络输出值与目标值的均方根误差并将其作为损失函数，并将损失函数最小化作为训练目标，以更新预测器的网络参数与特征提取器的网络参数； S4.3、领域分类器：将提取到的源域信号特征与目标域信号特征输入到领域分类模型中进行分类训练，其损失函数采样交叉熵函数为： 其中，为源域信号与目标域信号的分类损失，、分别为源域信号与目标域信号，为批量次数，为源域信号所对应的域分类输出，为目标域信号所对应的域分类输出，为源域信号在特征提取器上所提取到的特征，为目标域信号在特征提取器上所提取到的特征； 以该损失函数更新领域分类器的网络参数； 将目标域信号特征赋予相反的域标签之后输入到领域分类器中进行训练，并计算其损失函数： 其中，为目标域分类损失； 通过目标域信号特征的领域划分损失函数更新领域分类器参数与特征提取器参数； 采用正常的源域、目标域的分类损失与反域标签的目标域分类损失之间的对抗训练混淆特征提取器，即将正常的源域、目标域的分类损失达到最大； S4.4、MMD最大均值化差异计算：将源域信号特征与目标域信号特征映射到希尔伯特高维空间，计算其最大均值化差异： 其中，为源域特征与目标域特征在高维希尔伯特空间上计算的最大均值化差异，分别为源域和目标域的样本数，为映射函数，为对源域样本进行映射，为对目标域样本进行映射，为L2范数，为希尔伯特空间； 并以最小化为目标对特征提取器的网络参数进行更新； 步骤S4.2中将特征提取器所获取的源域信号特征代入到多个全连接神经网络中进行模型的预训练，计算该全连接神经网络输出值与目标值的均方根误差并将其作为损失函数，其损失函数为： 其中，为预测器的输出与实际标签结果均方根误差函数计算后的误差值； S5、采用易损件的深度学习预测模型进行易损件的失效预测。

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西南交通大学，其通讯地址为：610000 四川省成都市二环路北一段；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。