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！

龙图腾网获悉太原科技大学申请的专利基于深度模型高维参数多目标高效寻优的零样本轴承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：CN116448419B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202310237866.3，技术领域涉及：G01M13/04；该发明授权基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法是由张睿;白晓露;张永梅;潘理虎;胡立华;谢斌红设计研发完成，并于2023-03-14向国家知识产权局提交的专利申请。

本基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法在说明书摘要公布了：本发明公开了一种基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法，涉及轴承故障智能诊断领域。方法包括如下步骤：高维空间域转换的视觉特征提取器构建；基于代理辅助多目标进化算法的视觉特征提取器组件寻优策略构建；序列信号统计特征辅助下的语义矩阵构建；异常值插补的视觉‑语义自编码零样本映射策略构建。本发明改善了现有旋转机器故障诊断中固有的检测判别特征提取不充分、模型重构检测性能均衡效率低、各类样本数量不平衡、异常类零样本识别受限等技术性瓶颈问题等问题，保障设备运行得安全可靠，最大限度地减少备件成本、机械系统停机时间和维护时间，为解决制约当前实际工程场景中轴承故障诊断发展的关键问题提供新方法。

本发明授权基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法在权利要求书中公布了：1.一种基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法，其特征在于：包括如下步骤： 1高维空间域转换的视觉特征提取器构建： 利用卷积神经网络深度模型构建出高维空间域转换的视觉特征提取器，首先利用传感器来收集多种状态下的序列信号，并将采集得到的数据映射入高维格拉姆角和场域GASF中，在高维空间中以全连接层方式进行特征拆解，发掘数据样本高维空间维度上特征的可行性，搭配以卷积神经网络实现对数据样本视觉特征的高效提取；GASF变化表达函数如式1所示，构造视觉特征提取器的总体框架； 1 式中为转换后的极坐标序列，I为单位行向量；具体转换过程即将时间序列在极坐标系统内进行编码，展现样本的不同信息粒度；在格拉姆矩阵中的每个元素是角度的三角函数值，利用三角函数的和运算则构建出格拉姆角和场域； 2基于代理辅助多目标进化算法的视觉特征提取器组件寻优策略构建： 构建出一种基于约束型Dropout神经网络的代理辅助进化算法CDNNEA作为视觉特征提取器组件寻优策略，利用该寻优策略对进行视觉特征提取的深度模型内部组件进行自适应搜索，优化目标扩展为识别准确度、模型复杂度、训练时间三项维度，同时为了降低单目标寻优过程中模型训练和评估过程中的时间成本和硬件成本，构建扩展性强的代理模型对搜索策略进行辅助，具体实现如下： CDNNEA算法总体框架，输入为：最大评价次数MaxFE，评价次数FE，种群大小P，决策变量维度d，代价函数f，真实评价解的数量σ，评判比率ρ，输出为真实问题的非支配解集X,Y，具体包括如下步骤： ①生成初始解部分：X=LatinHypercubeSample11d-1，Y=fX； ②FE=11d-1； ③开始算法迭代：WHILEFE≤MaxFEDO； ④利用训练数据集训练代理模型：C-dropout=TrainingDataX,Y； ⑤对种群中的非支配解集进行优化搜索：X1,Y1,ρ1,ρ2=EstimateP,C-dropout； ⑥根据管理准则选择σ个先前所得非支配解进行真实评估： X2=SelectionX1,Y1,ρ1,ρ2,C-dropout,σ,Y2=fX2； ⑦X'=X∪X2,Y'=Y∪Y2； ⑧对训练数据集进行更新：X,Y=UpdateX',Y',11d-1,σ； ⑨FE=FE+1,ρ1=ρ2； ⑩ENDWHILE； 3序列信号统计特征辅助下的语义矩阵构建： 符合缺陷信号本质且适量的特征量对缺陷识别有重要的影响，为了能找到同时满足体现故障信号本质且数量最优的语义向量，选择均方根值、方根幅值、绝对平均幅值、标准差、最大值、最小值、峰峰值、峭度、峰态、偏度、八阶矩系数、十六阶矩系数、波形指标、峰值指标、脉冲指标、裕度指标、峭度指标、偏态指标、均方频谱、频谱重心、频域方差、相关因子、谐波因子、谱原点矩，这24种时域或频域特征作为轴承故障的统计特征语义表征模型； 4异常值插补的视觉-语义自编码零样本映射策略构建： 在映射层添加具体语义信息的限制，约束重建效果，实现有监督下的投影函数学习，以语义属性描述或词向量作为迁移知识，将隐藏层的信息设定为样本语义属性，利用自动编码器将视觉特征映射到语义空间中，并利用解码器重构原始的视觉特征； 构建零样本学习模型的目标函数为： 8 式中，输入样本数据即为，d是样本的特征维度，N是样本总数；投影矩阵，k是样本属性的维度，样本属性；为了简化模型运算，令，同时考虑解决约束困难，故将上式重写为： 9 其中是Frobenius范式，第一项是零样本特征学习项，第二项是视觉语义约束项，用来约束投影矩阵W，λ是超调参数，用来平衡这两项；对上式的优化先求导，再利用矩阵迹的性质化简，结果如下： 10 令式10等于0，可得： 11 再令，则上式最终可写成如下形式： 12 公式12为一个西尔维斯特方程，采用Bartels-Stewart算法求解，即可求得最优的视觉-语义映射矩阵与；同时，基于平均插值理论，设定映射矩阵W中若判断有异常值的出现，则对异常值进行按当前属性列的平均值插补替换，即对数据异常值由滑动平均窗口法进行数据插补，对该列的非异常值求和后求出平均值作为插补数据，将数据赋值给缺失值，最后将插补后新列赋值给原始列； 最后，在未见类样本标签预测阶段，利用式13结合余弦相似性，将推导出的未见类样本属性与未知类原型属性进行对比，从而预测得到未知类样本的标签： 13 式中是目标域中第i个样本的预测属性，是第j个未知类的原型属性，是余弦距离方程，是预测得到的样本标签； 视觉特征X和语义特征S作为构建的零样本学习模型的输入，语义特征S以构建好的基于统计特征语义属性关系矩阵为标准，通过训练可见评价结果类型数据的视觉特征XY，结合语义空间中的可见类型语义特征SY，求出映射矩阵W，测试集中未见类数据通过其视觉特征XZ由W反映射出语义向量并与原始未见类语义特征矩阵SZ比对由余弦相似度得出分类结果。

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太原科技大学，其通讯地址为：030024 山西省太原市万柏林区瓦流路66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。