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！

龙图腾网获悉苏州大学申请的专利基于流模型特征增强的单源域泛化智能识别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：CN120386992B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202510884134.2，技术领域涉及：G06F18/15；该发明授权基于流模型特征增强的单源域泛化智能识别方法是由王俊;余博超;李双;刘金朝;黄伟国;朱忠奎设计研发完成，并于2025-06-30向国家知识产权局提交的专利申请。

本基于流模型特征增强的单源域泛化智能识别方法在说明书摘要公布了：本发明提供一种基于流模型特征增强的单源域泛化智能识别方法，涉及机械故障诊断技术领域，该方法包括对采集的机械振动时域信号进行截取、长度统一及幅值归一化预处理，通过快速傅里叶变换转换为频域数据，按工况划分为单源域数据集和目标域数据集；构建故障诊断训练模型；利用单源域数据集，根据设定的损失函数和优化算法训练故障诊断训练模型，得到训练好的故障诊断训练模型；基于训练好的故障诊断训练模型构建故障识别模型，将目标域数据集输入到故障识别模型进行故障类别识别。本发明解决了传统方法生成数据维度高、含干扰信息等问题，提升了模型泛化能力与目标工况故障识别精度。

本发明授权基于流模型特征增强的单源域泛化智能识别方法在权利要求书中公布了：1.一种基于流模型特征增强的单源域泛化智能识别方法，其特征在于，包括： S1：对采集的机械振动时域信号进行截取、长度统一及幅值归一化预处理，通过快速傅里叶变换转换为频域数据，按工况划分为单源域数据集和目标域数据集； S2：构建故障诊断训练模型，所述故障诊断训练模型由深层特征提取模块、特征生成模块及故障诊断模块组成，其中： 所述深层特征提取模块用于提取源域深层特征； 所述特征生成模块用于生成与源域深层特征分布不同的扩展域特征； 所述故障诊断模块用于提取域间不变特征并进行类别识别和域判别； S3：利用所述单源域数据集，根据设定的损失函数和优化算法训练所述故障诊断训练模型，得到训练好的故障诊断训练模型，包括： S31：将单源域数据集输入深层特征提取模块，最小化分类器C1的交叉熵损失函数优化特征提取器F1，使特征提取器F1提取的源域深层特征满足： ； 式中，为源域数据，为对应标签； S32：将所述源域深层特征输入特征生成模块： S321：通过二值掩码器分离低频分量与高频分量： ； 其中，表示特征重排序操作，表示二值掩码矩阵，表示逐元素点乘； S322：在低频扰动模块中，按类别计算低频特征的均值和方差，生成新的统计分布： ； 式中，为故障类别索引，为低频特征的类条件均值，为低频特征的类条件方差，为各类别均值的方差，为各类别方差的方差，为从均值为0、指定方差的正态分布中采样，为扰动系数，为扰动后的新类条件均值，为扰动后的新类条件方差； S323：在流模型生成模块中，通过最大化对数似然损失训练流模型生成模块： ； 式中，为流模型生成模块，为批量训练样本数量，为流模型生成模块定义的概率密度函数； 生成新低频分量，并与高频分量结合形成扩展域特征： ； 式中，为扩展域特征，为特征拼接操作； S33：将源域深层特征与扩展域特征输入故障诊断模块，最小化总损失函数： ； 式中，为监督对比损失，促进类内特征紧凑性与类间分离性；为域判别器Y的二值交叉熵损失，区分源域扩展域特征；为分类器C2的交叉熵损失，优化故障类别识别精度；、为权衡不同损失的加权系数； S34：重复执行S31-S33，采用优化算法更新参数，当迭代次数达到预设迭代次数或总损失收敛至稳定状态时停止训练，得到训练好的故障诊断训练模型； S4：基于训练好的故障诊断训练模型构建故障识别模型，将所述目标域数据集输入到所述故障识别模型进行故障类别识别。

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大学，其通讯地址为：215137 江苏省苏州市相城区济学路8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”。