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！

龙图腾网获悉上海大学申请的专利一种基于多源域知识联合迁移的设备故障诊断网络模型训练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：CN119272160B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202411200651.5，技术领域涉及：G06F18/243；该发明授权一种基于多源域知识联合迁移的设备故障诊断网络模型训练方法是由刘丽兰;潘坚初;高增桂;孙衍宁;周秉强;农伟平;闫振豪设计研发完成，并于2024-08-29向国家知识产权局提交的专利申请。

本一种基于多源域知识联合迁移的设备故障诊断网络模型训练方法在说明书摘要公布了：本发明涉及计算机深度学习技术领域，涉及一种基于多源域知识联合迁移的设备故障诊断网络模型训练方法，该方法包括：构造训练样本集、验证集和测试集，利用训练样本集对预先构建的设备故障诊断网络模型进行训练，优化设备故障诊断网络模型的参数，得到训练后的设备故障诊断网络模型；采用验证集对训练后的设备故障诊断网络模型进行验证，评估训练后的设备故障诊断网络模型的诊断性能，挑选出最优设备故障诊断网络模型；采用测试集最优设备故障诊断网络模型进行测试，评价最优设备故障诊断网络模型的性能。本发明利用采集到的由若干个有标签源域数据集和无标签源域数据集组成的含少量标记的多源域数据集对模型进行多源域协同训练，学习故障样本中的领域不变特征，将共享诊断知识从标记数据和未标记数据共同迁移到目标领域中，因此训练后的设备故障诊断网络模型不需要提前获取目标样本即可完成跨域故障诊断任务。

本发明授权一种基于多源域知识联合迁移的设备故障诊断网络模型训练方法在权利要求书中公布了：1.一种设备故障诊断网络模型的训练方法，其特征在于，包括以下步骤： S1：采集不同工况条件下设备运行过程中表征设备故障的信号数据，根据工况条件利用信号数据构建多个有标签源域数据集、无标签源域数据集、目标域数据集，每个有标签源域数据集、无标签源域数据集、目标域数据集中信号数据表征的设备故障类别均包含全部故障分类，任意两个有标签源域数据集对应工况条件不同，任意两个无标签源域数据集对应的工况条件不同； 对所述有标签源域数据集、目标域数据集中的每个信号数据进行标注，得到每个信号数据对应的设备故障类别的真实标签信息；所述无标签源域数据集中的信号数据不进行标注； S2：依次从所有有标签源域数据集和无标签源域数据集中抽取相同数量的故障类别相同的信号数据，组成一个批次训练样本，按照所述一个批次训练样本的构建方法构建得到多个批次训练样本，多个批次训练样本组成训练样本集；依次从所有目标域数据集中抽取相同数量的信号数据，组成一个批次验证样本，按照所述一个批次验证样本的构建方法构建得到多个批次验证样本，将多个批次训练样本按比例随机划分为验证集和测试集； S3：利用训练样本集对预先构建的设备故障诊断网络模型进行训练，优化所述设备故障诊断网络模型的参数，得到训练后的设备故障诊断网络模型；所述设备故障诊断网络模型由特征提取器和故障分类器组成； S4：采用验证集对步骤S3得到的训练后的设备故障诊断网络模型进行验证，评估训练后的设备故障诊断网络模型的诊断性能，挑选出最优设备故障诊断网络模型； S5：采用测试集对步骤S4得到的最优设备故障诊断网络模型进行测试，评价最优设备故障诊断网络模型的性能； 步骤S3中，利用训练样本集对预先构建的设备故障诊断网络模型进行训练，优化所述设备故障诊断网络模型的参数的具体操作为： S301：将训练样本集中的批次训练样本输入预先构建的设备故障诊断网络模型的特征提取器中，采用特征提取器对所述批次训练样本进行特征提取，得到批次训练样本中每个信号数据的设备故障特征，利用最大均值差异计算一个批次训练样本中来自不同源域数据集的信号数据的设备故障特征之间的边缘分布差异，利用最大均值差异计算训练样本中来自不同有标签源域数据集的设备故障类别相同的信号数据样本之间的条件分布差异，根据边缘分布差异和条件分布差异构建特征提取器的多源域联合损失函数Lf； S302：将所述特征提取器提取的批次训练样本中来自有标签源域数据集的信号数据样本的设备故障特征输入所述故障分类器中进行检测，得到所述批次训练样本中来自有标签源域数据集的信号数据样本的预测设备故障类别，根据预测设备故障类别和真实标签之间的差异，采用交叉熵构造所述故障分类器的监督分类损失函数Ly；然后根据多源域联合损失函数Lf和监督分类损失函数Ly构造所述设备故障诊断网络模型的总损失函数Lall，总损失函数Lall的计算公式如下： Lall＝Ly+λ2Lf 式中，Lall表示总损失函数，Ly表示监督分类损失函数，Lf表示多源域联合损失函数，λ2是模型训练时所采用的经验参数； S303：基于总损失函数Lall通过反向传播算法优化更新所述特征提取器的网络参数，直至总损失函数Lall收敛；基于监督分类损失函数Ly通过反向传播算法优化更新所述故障分类器的网络参数，直至监督分类损失函数Ly收敛，得到训练后的设备故障诊断网络模型。

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上海大学，其通讯地址为：200444 上海市宝山区上大路99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。