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！

龙图腾网获悉中煤第五建设有限公司;中煤建设集团有限公司申请的专利深立井设备的多模态动态融合与增量学习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：CN121188721B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202511726094.5，技术领域涉及：G06F18/25；该发明授权深立井设备的多模态动态融合与增量学习故障诊断方法是由辛培红;戴聪明;生帅;杜恒;孙纪强;朱斌;汪洋;岳远伟;庆文奎设计研发完成，并于2025-11-24向国家知识产权局提交的专利申请。

本深立井设备的多模态动态融合与增量学习故障诊断方法在说明书摘要公布了：本发明公开了一种深立井设备的多模态动态融合与增量学习故障诊断方法，属于工业设备故障诊断技术领域，包括四个步骤：构建预训练大模型进行特征提取，依托多层Transformer编码器与双重损失函数，从振动、温度、电流多模态时序数据中挖掘跨模态通用故障特征；融合多模态特征并构建多模态关联，通过模态门控单元与时延补偿注意力机制，动态调整模态权重以适配信号质量变化，同时校正时序偏差实现精准关联；利用解耦式投影层实现增量学习，为新增故障任务设计轻量化投影模块抑制灾难性遗忘；优化网络训练，通过多目标损失函数整合预训练损失、增量学习损失与注意力正则化损失，提升模型稳定性与诊断精度。本发明的优点在于：提升模型稳定性与诊断精度。

本发明授权深立井设备的多模态动态融合与增量学习故障诊断方法在权利要求书中公布了：1.一种深立井设备的多模态动态融合与增量学习故障诊断方法，其特征在于，包括如下步骤： S1、构建预训练大模型进行特征提取，即对深立井设备的多模态原始数据进行预处理，去除环境噪声与异常值后，输入经预训练的基础模型提取初始特征； S2、融合多模态特征，构建多模态关联，即通过模态门控单元对多模态特征进行动态融合，结合可学习时延偏置校正时序偏差，生成兼具鲁棒性与完整性的融合特征； S3、增量学习优化；利用解耦式投影层实现增量学习，包含记忆集筛选和动态特征解耦两个步骤，即在增量学习阶段，当面临新增故障类型时，记忆集筛选模块从历史数据中选取关键样本，与新增小样本共同构成训练集，通过动态投影层实现新旧特征的空间解耦，再利用对比损失函数强化特征区分度，使模型在学习新知识的同时保留历史诊断能力； S4、优化网络训练，通过多目标损失函数整合预训练损失、增量学习损失与注意力正则化损失，提升模型稳定性与诊断精度；样本输入优化的网络模型，融合特征经分类器输出故障类型，完成诊断流程； S2中，通过模态门控单元对多模态特征进行动态融合，即以模态门控单元为核心，基于各模态数据的实时可靠性动态分配权重，即当部分模态受环境干扰时，模态门控单元可自动降低其权重占比，同时强化噪声抗性更强的模态，实现跨模态信息的自适应筛选与对齐； 在步骤S2中，针对深立井装备多模态信号的时序异质性与噪声干扰，通过模态门控-时延补偿注意力机制强化特征关联： 模态门控单元根据信号质量动态调整各模态权重： ； ； 其中，为第m模态的门控权重；,为可学习参数；为Sigmoid激活函数；为门控后的模态特征；为逐元素相乘；时延补偿注意力引入可学习偏置，建模模态间的时序延迟： ； 其中，为注意力分数；分别为查询、键向量；为模态与模态之间的时序偏置参数； 通过自注意力机制输出的模态权重经归一化后，与池化后的模态特征线性组合，生成最终融合特征： 其中，为归一化后的模态权重；为全局池化操作；为预训练基底特征；为模态总数； 在步骤S3中，设计解耦式投影层实现增量学习的新旧知识分离； 预训练Transformer参数冻结后，为每个新增任务引入轻量化投影层，其结构为两层带ReLU激活的MLP： 其中，为投影后特征，为可学习权重，为偏置参数；为ReLU激活函数； 多阶段增量任务中，各投影层输出通过线性叠加聚合： 其中，为聚合后的特征；为任务总数； 为抑制灾难性遗忘，通过K-means算法从历史数据中筛选10%关键样本构成记忆集，增量训练时最小化包含交叉熵与对比损失的联合目标： 其中，为交叉熵损失；为样本真实标签；为新增任务样本集；为历史关键样本特征；为同类新样本特征。

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中煤第五建设有限公司;中煤建设集团有限公司，其通讯地址为：221000 江苏省徐州市淮海西路241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。