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！

龙图腾网获悉清华大学申请的专利设备故障诊断方法、装置、存储介质及电子设备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：CN116776961B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202310586692.1，技术领域涉及：G06N3/0895；该发明授权设备故障诊断方法、装置、存储介质及电子设备是由何潇;韩鹏宇;刘泽夷设计研发完成，并于2023-05-23向国家知识产权局提交的专利申请。

本设备故障诊断方法、装置、存储介质及电子设备在说明书摘要公布了：本发明提供了一种设备故障诊断方法、装置、存储介质及电子设备，涉及故障智能诊断技术领域，所述方法包括：获取当前时刻的设备运行数据作为当前样本集；基于所述当前样本集，对预先训练的故障诊断模型进行在线训练，获得更新后的故障诊断模型；其中，所述故障诊断模型为神经网络模型；针对所述当前样本集中的每一个样本，将该样本输入至所述更新后的故障诊断模型，以使所述更新后的故障诊断模型输出与该样本对应的故障诊断结果。本发明提供的技术方案，能够更加准确地对设备进行实时故障诊断。

本发明授权设备故障诊断方法、装置、存储介质及电子设备在权利要求书中公布了：1.一种设备故障诊断方法，其特征在于，所述方法包括： 获取当前时刻的设备运行数据作为当前样本集； 基于所述当前样本集，对预先训练的故障诊断模型进行在线训练，获得更新后的故障诊断模型；其中，所述故障诊断模型为神经网络模型；所述故障诊断模型包括：输入层、隐藏层和输出层；对所述故障诊断模型进行预先训练包括： 获取离线训练集；其中，所述离线训练集中的每一个样本均为带标签样本； 从所述离线训练集中随机选择多个样本作为锚点集； 随机生成所述输入层与所述隐藏层之间的权重值，并随机生成所述输入层与所述隐藏层之间的偏差值； 基于所述权重值、所述偏差值和预设非线性函数，获得与所述离线训练集对应的输出矩阵作为第一输出矩阵，并获得与所述锚点集对应的输出矩阵作为第二输出矩阵； 基于所述第一输出矩阵和所述第二输出矩阵，获得所述故障诊断模型的目标函数； 基于所述目标函数对所述故障诊断模型进行离线训练，获得所述预先训练的故障诊断模型； 针对所述当前样本集中的每一个样本，将该样本输入至所述更新后的故障诊断模型，以使所述更新后的故障诊断模型输出与该样本对应的故障诊断结果； 其中，所述基于所述当前样本集，对预先训练的故障诊断模型进行在线训练，获得更新后的故障诊断模型，包括： 计算所述当前样本集与所述锚点集之间的相似矩阵；其中，采用以下表达式计算所述当前样本集与所述锚点集之间的相似矩阵： 其中，为所述当前样本集与所述锚点集之间的相似矩阵；为所述当前样本集；为所述当前样本集中第i个样本；为所述锚点集；为所述锚点集中第j个样本；为超参数； 基于所述当前样本集与所述锚点集之间的相似矩阵，计算标签概率转移矩阵；其中，采用以下表达式计算所述标签概率转移矩阵： 其中，为所述标签概率转移矩阵；为所述标签概率转移矩阵中第i行第j列对应的元素；为所述当前样本集与所述锚点集之间的相似矩阵；为所述锚点集的样本数量；为所述当前样本集的样本数量；为实数集；为所述锚点集中的第个样本； 基于所述标签概率转移矩阵，对所述当前样本集中的每一个样本赋予与其对应的伪标签，获得所述当前样本集的伪标签矩阵； 基于所述伪标签矩阵，确定所述当前样本集中故障样本的数量； 基于所述故障样本的数量，确定所述当前样本集中非故障样本的数量；其中，所述故障样本的数量等于所述非故障样本的数量； 基于所述故障样本和所述非故障样本，对所述预先训练的故障诊断模型进行在线训练，获得所述更新后的故障诊断模型； 其中，所述基于所述标签概率转移矩阵，对所述当前样本集中的每一个样本赋予与其对应的伪标签，获得所述当前样本集的伪标签矩阵，包括： 针对所述标签概率转移矩阵中的每一行，执行以下操作，以获得所述当前样本集中每个样本的标签：选择该行中最大值对应的锚点；其中，所述锚点为所述锚点集中的一个样本；将该锚点对应的标签赋予该行对应的样本；其中，该行对应的样本为所述当前样本集中的一个样本；基于所述当前样本集中每个样本的标签，获得所述当前样本集的伪标签矩阵； 基于所述锚点集中每个样本对应的标签和所述标签概率转移矩阵，计算伪标签概率矩阵；针对所述伪标签概率矩阵中的每一行，执行以下操作，以获得所述当前样本集中每个样本的标签类别：选择该行中最大值对应的列；将该列对应的锚点的标签类别赋予该行对应的样本；其中，该行对应的样本为所述当前样本集中的一个样本；所述基于所述当前样本集中每个样本的标签，获得所述当前样本集的伪标签矩阵，包括：基于所述当前样本集中每个样本的标签，以及，所述当前样本集中每个样本的标签类别，获得所述当前样本集的伪标签矩阵； 其中，采用以下表达式计算所述伪标签概率矩阵： 其中，为所述伪标签概率矩阵；为所述标签概率转移矩阵；为所述锚点集中每个样本对应的标签； 所述当前样本集的伪标签矩阵采用以下表达式表达： 其中，为所述当前样本集的伪标签矩阵；为所述伪标签概率矩阵中的一个元素；V为所述输出层的神经元数量；j为所述标签类别的集合中的第j个类别；为实数集；为所述当前样本集的样本数量； 所述基于所述故障样本和所述非故障样本，对所述预先训练的故障诊断模型进行在线训练，获得所述更新后的故障诊断模型，包括： 基于所述故障样本和所述非故障样本，对所述预先训练的故障诊断模型进行在线训练，获得更新后的所述隐藏层与所述输出层之间的权重作为当前权重；其中，所述当前权重采用以下表达式表达： 其中，为所述当前权重；、均为中间变量；为所述当前样本集对应的输出矩阵；为所述当前样本集对应的单位矩阵；为所述伪标签矩阵的独热编码；为超参数；为所述当前样本集与所述锚点集之间的相似矩阵；为所述第二输出矩阵；为所述预设非线性函数；L为所述隐藏层的神经元数量；为所述输入层与所述隐藏层之间的所述权重值；为所述输入层与所述隐藏层之间的所述偏差值；，为所述当前样本集中的所有样本；为所述当前样本集中的第i个样本。

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清华大学，其通讯地址为：100084 北京市海淀区清华大学；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。