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！

龙图腾网获悉北京工业大学申请的专利基于堆叠自编码器的递阶故障分类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：CN115392379B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202211042208.0，技术领域涉及：G06F18/2411；该发明授权基于堆叠自编码器的递阶故障分类方法是由高慧慧;黄文杰;韩红桂;高学金;韩华云设计研发完成，并于2022-08-29向国家知识产权局提交的专利申请。

本基于堆叠自编码器的递阶故障分类方法在说明书摘要公布了：本发明公开了基于堆叠自编码器的递阶故障分类方法。首先，根据工业过程的先验知识和变量之间的相关性，将整个过程划分为若干子块；其次，将每个子块中容易误分类的故障类型作为复合类处理，避免误分类；训练基于SAE的故障诊断模型，实现故障的初步分类。然后，提出一种改进的D‑S证据理论，对多个SAE分类结果进行融合，处理多个SAE分类结果之间的冲突，提高故障诊断的准确性。最后，利用SAE分类模型对决策融合无法分类的故障类型进行分类。本发明降低了模型的复杂度且提高了SAE分类模型的精度，对工业过程的故障诊断具有重要的意义。

本发明授权基于堆叠自编码器的递阶故障分类方法在权利要求书中公布了：1.基于堆叠自编码器的递阶故障分类方法，其特征在于包括以下步骤： A.离线阶段： 1获得历史数据作为训练数据X∈Rn×m，其中n表示样本总量，m表示样本包含的变量数，计算正常条件下训练数据的均值和标准差S，标准化训练数据X得到 2根据工业过程的B个操作单元，对标准化后的训练数据进行变量划分，得到B个子块，B个子块对应的数据集为其中b表示第b个子块，表示里第i个变量，为了考虑子块间的相关性，利用互信息评价两个变量之间的相关性，计算第b个子块里的变量与其他变量之间的互信息值 其中表示的边缘概率密度，表示的边缘概率密度，表示和的联合概率密度，计算与第b个子块里所有变量之间的互信息值，得到一维向量其中j＝1,2，…，mb，计算第b个子块外其他所有变量与第b个子块内变量间的互信息值，则可以得到m-mb个一维向量：计算m-mb个一维向量的均值得到其中为的均值，若存在则变量是第b个子块的相关变量，则将加入第b个子块中，则加入相关变量后的第b个子块更新为其中mb′为第b个子块的变量数，且mb′mb，k1是人为设置的参数，作用是避免子块包含过多的变量； 3为每个子块分别建立SAE模型： 为了避免故障类别的误划分，首先将每个子块上容易误划分的故障类型作为一个复合类，利用复合类数据和不易误划分的故障数据为每个子块训练SAE分类模型，SAE由L个自编码器autoencoder,AE组成，具有提取非线性深层特征的能力，每个AE由输入层、隐含层和输出层组成，隐含层输出为AE提取的特征，输入层和隐含层为编码器，隐含层和输出层为解码器，每个AE的输入层为上一个AE的隐含层，AE的编码器和解码器表示为： h＝fWx+b3 其中x表示AE的输入，h表示AE提取的特征，表示AE的输出，W表示输入层到隐含层的权值矩阵，b表示隐含层的偏置向量，表示隐含层到输出层的权值矩阵，表示输出层的偏置向量，f·表示隐含层的激活函数，g·表示输出层的激活函数，fencoder,l·表示SAE中第l个AE的编码器，fdecoder,l·表示SAE中第l个AE的解码器，则为第b个子块建立的SAE的解码部分和编码部分表示为： 其中，Hb为输入是时SAE提取的特征，为输入是时SAE的输出；为了实现故障分类，在SAE的编码部分后连接一个Softmax层，SAE的训练分为预训练和微调两个阶段，在预训练阶段，对SAE中的每个AE单独训练，利用均方误差损失函数训练AE，均方误差损失函数表示为： 其中，xi表示AE的第i个样本的输入，表示AE的第i个样本的输出，在微调阶段，由于复合类包含多种故障类型，而每种故障类型的样本数量一致，则复合类的样本多于其他故障类型的样本，因此存在样本不均衡的问题，针对样本不均衡，利用加权交叉熵损失函数的思想训练SAE模型，采用的损失函数表示为： 其中yj表示样本的真实标签即故障类别，表示Softmax的预测标签，w是权值，当yj的真实标签是复合类时，w＝1，当yj的真实标签不是复合类时，w＝nc+1，nc为复合类包含故障类型的个数； 4在SAE的编码部分后连接一个Softmax层实现对故障样本的分类，Softmax的输出为故障类别的概率，概率最大的故障类别即为SAE-Softmax分类器的分类结果，多个SAE-Softmax的分类结果可能会存在冲突，为了处理多个分类器的冲突，使用D-S证据理论对多个SAE-Softmax的分类结果进行决策融合，而当多个SAE-Softmax的分类结果之间存在高度冲突时，D-S证据理论可能会得到不合理的决策融合结果，为了更加有效地处理多个分类器的冲突，提出一种改进的D-S证据理论，表示为： 其中，K′为改进的归一化系数，B为证据体个数即SAE-Softmax分类器的个数，A为故障类型，Ai为第i个SAE-Softmax识别的故障类型，m′Ai为改进的基本概率分配函数，wi为m′Ai的权值，为融合p个SAE-Softmax的改进的基本概率分配函数的结果即为故障样本为故障类型A的概率，K′表示为： 改进的基本概率分配函数m′Ai表示为： 其中q为每个子块上可能发生的故障类别数量，mAi为基本概率分配函数即故障样本是故障类型Ai的概率，meanm为mA1，mA2，…，mAq的均值，maxm为mA1，mA2，…，mAq的最大值，权值wi通过以下计算：首先，计算两个证据体之间的归一化系数，第i个分类器与第j个分类器之间的归一化系数表示为： 对于第i个分类器，可以得到与分类器之间B-1个归一化系数，对B-1个归一化系数求均值可得： 其中Ki越大，第i个SAE-Softmax与其他证据的冲突越小，第i个SAE-Softmax的分类结果的可信程度越高，根据Ki计算Ei的权重wi: 5使用改进D-S证据理论对多个SAE-Softmax的分类结果进行决策融合之后，可能存在不能被分类的故障类型，则将这些故障类型作为复合类，并为这些故障类型训练一个SAE-Softmax分类模型，记为第B+1个SAE-Softmax分类模型； B.在线阶段： 1采集在线样本X′，对X′标准化得到 其中为训练数据X的均值，S为训练数据X的标准差，与公式1中的和S相等； 2对进行变量划分得到 3将输入离线建模中的第b个子块的SAE-Softmax模型，得到第b个SAE-Softmax的分类结果； 4利用改进的D-S证据理论对B个SAE-Softmax的分类结果进行决策融合； 5若决策融合结果为复合类，则利用第B+1个SAE-Softmax分类模型实现分类，若决策融合结果不是复合类，则融合结果即为分类结果。

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工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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。