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！

龙图腾网获悉大连理工大学;大连冰山嘉德自动化有限公司申请的专利一种基于半监督对比学习的制冷机组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：CN116467634B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202310077202.5，技术领域涉及：G06F18/241；该发明授权一种基于半监督对比学习的制冷机组故障诊断方法是由陈志奎;王峰;宋鑫;王恕清;钟芳明;李季;何江海;张广礼设计研发完成，并于2023-02-07向国家知识产权局提交的专利申请。

本一种基于半监督对比学习的制冷机组故障诊断方法在说明书摘要公布了：一种基于半监督对比学习的制冷机组故障诊断方法，方法包含三个部分，首先，设计制冷机组数据增强技术对原始数据进行数据增强，对数据进行成对约束组合，创建具有成对约束关系的有标签数据集合。然后，构建基于对比学习的样本对预测网络，利用具有成对约束关系的有标签数据集合训练模型，学习一对数据间的关联关系用于创建具有成对约束关系的全数据集。最后，构建基于记忆增强的半监督设备故障诊断网络，从具有成对约束关系的全数据集中抓取数据隐含的类别信息，同时引入记忆模块令半监督设备故障诊断网络提取的特征更具区别性。本发明提出的方法能够有效挖掘同一故障类型无标签数据的内在关联，提高制冷机组设备诊断的性能。

本发明授权一种基于半监督对比学习的制冷机组故障诊断方法在权利要求书中公布了：1.一种基于半监督对比学习的制冷机组故障诊断方法，其特征在于，步骤如下： 步骤1、制冷机组故障数据增强； 对原始的制冷机组故障数据进行数据增强并进行成对约束组合，满足对比学习的要求使其能应用于基于对比学习的样本对预测网络训练；具体如下： 1.1故障数据生成构建生成对抗网络实现故障数据的生成，利用对抗学习保证合成数据尽可能和原始数据保持相似；对抗学习函数LG,D如公式1所示： 其中，P表示数据分布，G表示生成器，D表示判别器；x～Pdata表示从真实数据中采样的样本，x～PG表示从生成数据中采样的样本；生成器和判别器在训练过程中进行对抗，在两者达到纳什均衡时生成对抗网络收敛； 1.2生成数据筛选为了确保生成数据质量，采用变分自动编码器对生成数据进一步筛选；变分自动编码器利用从生成数据随机采样的样本进行重构训练，在训练后变分自动编码器对所有数据进行重构解码，当重构损失高于设定的阈值则认为数据质量过低，不符合真实数据分布；训练变分自动编码器的目标函数LE,F为： 其中，E和F分别表示编码器和解码器；qFz|x表示由解码器近似的后验分布；pEz表示隐变量z的先验分布；KLqFz|x||pEz表示qFz|x后验分布和pEz先验分布之间的KL距离； 1.3数据集改造为了满足基于对比学习的样本对预测网络训练，需要对数据集进行改造，构建具有成对约束特性的有标签数据集；成对约束以类别信息为指导，将两个同属一个类别的样本作为具有成对约束，不属同一类别的样本不具有成对约束；给定数据集带标签数据集根据成对约束关系重新表示为其中，其中，a,b是数据集中任意一对样本；因为同属一个类或者属于不同类的这种二元关系是对称的，样本对满足以下性质在得到有标签的具有成对约束关系的数据集α后，相应地，无标签的具有成对约束关系的数据集β表示为β＝χ2\α； 步骤2、构建基于对比学习的样本对预测网络； 利用构建的有标签的具有成对约束关系的数据集进行基于对比学习的样本对预测网络训练，将一对样本作为输入，输出这对样本的相似性；在训练过程中确保样本的表示彼此接近，相应的对比损失如公式8所示： 其中，da,b表示一对样本的特征表示之间的欧几里得距离，da,b＝||ha‑hb||，h表示由多个全连接层拼接而成的编码网络；公式中用最大化操作符保证其值非负； 由于基于对比学习的样本对预测网络的目标是产生一对样本的相似得分，而不是直接预测两个样本是否属于同一个类，进一步根据两个样本间距离值的大小对是否同属一个类进行预测；在实际预测无标签数据对时设计一个常量阈值T，当两个样本特征表示的距离小于阈值时，则认为这两个样本属于同一个类； 因为对比损失只对有标签的具有成对约束关系的数据集有效，基于对比学习的样本对预测网络需要通过重构损失从无标签数据提取特征，使用编码网络h对输入的故障数据进行编码，将其映射到潜在空间中，再利用解码网络f对得到的潜在特征解码，实现数据的重构；通过构建这样的编码‑解码的框架保证编码网络h在预测分类的同时学习完整数据的内在特征，重构损失函数Lχ的公式如下： 基于对比学习的样本对预测网络的总体损失Lpair公式如下： 在训练完成后，使用基于对比学习的样本对预测网络为所有数据构建成对约束； 其中，T表示控制一对样本同属于一类的常量阈值； 步骤3、构建基于记忆增强的半监督设备故障诊断网络； 利用基于对比学习的样本对预测网络对无标签数据进行成对约束预测后，设计基于记忆增强的故障诊断网络，利用具有成对约束关系的全数据集进行训练，实现故障类型预测； 具体步骤为： 3.1利用具有成对约束关系的全数据集进行训练采用基于对比学习的样本对预测网络对无标签数据进行成对约束预测，从而得到具有成对约束关系的全数据集；然后，构建半监督设备故障诊断网络p，其基础模块包含一个有多个全连接层组成的分类网络和一个分类器；分类器在具体实现时使用softmax函数；在半监督设备故障诊断网络对具有成对约束关系的全数据集的一对样本进行故障类型预测后，将一对样本属于同一类的概率psa,b表示为其中，k表示某一个类别，K表示数据集的类别个数，pka表示样本a关于类别k的预测概率，pkb表示样本b关于类别k的预测概率； 同理，pdx,y＝1‑psx,y为一对样本属于不同类的概率；为了利用成对约束学习同类数据的类别一致性，错误分类损失被设计用于最小化被错误分类的样本对个数； 半监督设备故障诊断网络通过利用具有成对约束关系的全数据集进行训练后，学习到数据中隐含的类别信息，完成样本关于故障类型的预测； 3.2创建记忆模块为了让半监督设备故障诊断网络提取的特征更具区别性从而提高预测的准确率，设计一个新的记忆模块聚合区别性特征表示和半监督设备故障诊断网络训练过程中产生的故障分类结果，再将学习到的类别相关知识传递给下一次半监督设备故障诊断网络训练，增强学习到的不同类别无标签数据样本特征间的差异；记忆模块以数据特征表示和半监督设备故障诊断网络训练过程中产生的故障分类结果作为输入，构建键值对表示集合；其中，记忆模块的键表示输入样本的特征表示，每个类别的特征表示被聚集在一起形成当前类的键表示；值表示半监督设备故障诊断网络产生的故障分类结果，用于学习数据的类别分布；整个过程如公式14所示： 其中，kj和vj表示第j个类的键表示和值表示；▽kj和▽vj为每次用于记忆模块更新的梯度信息；具体计算公式如公式15所示： 在开始阶段，所有键表示和值表示分别设定为0和在得到键表示和值表示后，基于记忆模块的概率预测被表示为所有值表示的加权和其中，e表示自然对数的底数，dist表示欧几里得距离； 然后根据基于记忆模块的概率预测设计记忆增强损失用于训练半监督设备故障诊断网络，让网络提取的特征更具区别性；记忆增强损失函数包括两个部分，类别分布损失和记忆熵损失；类别分布损失用于度量半监督设备故障诊断网络的预测结果和记忆模块预测的类别概率分布之间的差距；记忆熵损失用于保证记忆预测的概率分布尽可能准确；记忆增强损失函数Lm如公式17所示： 整体的损失函数L如下： 其中，Ls表示有标签数据的监督损失，ω为记忆损失的超参数。

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大连理工大学;大连冰山嘉德自动化有限公司，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。