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！

龙图腾网获悉苏州科技大学申请的专利基于自监督学习的滚动轴承跨域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：CN116975718B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202310963119.8，技术领域涉及：G06F18/241；该发明授权基于自监督学习的滚动轴承跨域故障诊断方法是由蒋全胜;林筱山;沈晔湖;吴石磊;姚琴;朱其新;谢鸥;王报祥设计研发完成，并于2023-08-02向国家知识产权局提交的专利申请。

本基于自监督学习的滚动轴承跨域故障诊断方法在说明书摘要公布了：本发明属于滚动轴承故障诊断技术，具体公开了一种基于自监督学习的滚动轴承跨域故障诊断方法，包括以下步骤：S1：将从不同工况下采集到的原始振动信号构建标签源域与无标签目标域，并随机划分训练集与测试集；S2：将训练集数据输入到网络模型中，并通过反向传播算法依次对网络整体参数、分类器参数以及特征提取器的参数进行更新；S3：重复步骤S2至最大迭代次数，生成泛化性能良好的域适应网络；S4：输出在不同工况下的诊断结果。本发明综合了分类器的个体分类准确性以及分类器间的联合分类准确性，进一步提升了样本的可鉴别性。同时，增强了域适应模型对目标域数据的关注度，并进行自监督学习来引导目标域的优化。

本发明授权基于自监督学习的滚动轴承跨域故障诊断方法在权利要求书中公布了：1.一种基于自监督学习的滚动轴承跨域故障诊断方法，其特征在于，包括以下步骤： S1：将从不同工况下采集到的原始振动信号构建标签源域与无标签目标域，并随机将其按8：2的比例划分训练集与测试集； S2：将训练集数据输入到网络模型中，依次计算三次网络的总体损失函数，并通过反向传播算法依次对网络整体参数、分类器参数以及特征提取器的参数进行更新； S3：重复步骤S2至最大迭代次数，停止训练，生成泛化性能良好的域适应网络； S4：将步骤S1中的测试集数据输入训练好的网络模型中，输出在不同工况下的诊断结果； 所述步骤S2具体包括： S21:输入源域训练集数据、对应的真实标签和目标域训练集数据，计算所对应的目标域样本伪标签，基于此计算此时网络的总损失函数 利用反向传播算法对网络整体参数进行更新； S22:输入源域训练集数据、对应的真实标签和目标域训练集数据，计算此时网络的总损失函数利用反向传播算法对分类器参数进行更新； S23：输入源域训练集数据、对应的真实标签和目标域训练集数据，计算此时网络的总损失函数利用反向传播算法对特征提取器参数进行更新； 所述步骤S21中，网络总损失函数通过式1获得： 其中，Nt表示目标域样本的总数目,表示目标域的第j个样本，表示目标域伪标签的指示向量；c表示共计c个类别的轴承样 本，表示目标域的第j个样本的分类器的softmax输出；为伪标签，其通过式2获得： 其中，表示目标域的第j个样本；F·表示样本经过特征提取器后的特征向量，cenc表示第c类别的目标域数据的质心； 所述第c类别的目标域数据的质心通过式3获得： 其中，δc表示在softmax操作后对第c类的预测，表示目标域的第j个样本；F·表示样本经过特征提取器后的特征向量，C·表示经过分类器后的输出向量；Ckk＝1,2是两个任务分类器； 所述步骤S22和步骤S23中的损失函数通过式4计算获得： 其中，μ和ω分别是联合分类确定性与个体分类确定性间的平衡参数；为双分类器联合分类准确性的度量指标；分类器输出的个体分类准确性指标； 式4中的分类器输出的个体分类准确性指标通过式5计算获得： 其中，δc表示在softmax操作后对第c类的预测，F·表示样本经过特征提取器后的特征向量，C·表示经过分类器后的输出向量；Ckk＝1,2是两个任务分类器； 式4中的双分类器联合分类准确性的度量指标通过式6计算获得： 其中，δc表示在softmax操作后对第c类的预测，f·表示样本经过特征提取器后的特征向量，C·表示经过分类器后的输出向量；Ckk＝1,2是两个任务分类器。

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苏州科技大学，其通讯地址为：215009 江苏省苏州市学府路99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”。