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！

龙图腾网获悉杭州师范大学申请的专利一种基于时序生成的工业过程不平衡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：CN117235602B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202311284483.8，技术领域涉及：G06F18/241；该发明授权一种基于时序生成的工业过程不平衡故障分类方法是由沈冰冰;姚乐;曾九孙设计研发完成，并于2023-10-07向国家知识产权局提交的专利申请。

本一种基于时序生成的工业过程不平衡故障分类方法在说明书摘要公布了：本发明公开一种基于时序生成的工业过程不平衡故障分类方法，包括：基于时间序列的工业过程数据，针对每个故障构建并训练一个深度生成模型，生成一定量故障的时序数据，用于平衡工业过程中正常的时序数据和故障的时序数据；深度生成模型包括卷积解码器、卷积解码器、趋势多层感知机、季节多层感知机；深度生成模型的输出为卷积解码器和所有的多层感知机的输出的和；基于平衡的工业过程时序数据，构建并训练分类器，进行故障分类；分类器包括用于提取高维空间特征的长短时记忆网络，以及用于故障分类的多层感知机和softmax函数。本发明能够对动态过程中出现的罕见故障进行分类，稳定性高、鲁棒性好、泛化性能优异。

本发明授权一种基于时序生成的工业过程不平衡故障分类方法在权利要求书中公布了：1.一种基于时序生成的工业过程不平衡故障分类方法，其特征在于，该方法包括以下步骤： 步骤一：基于时间序列的工业过程数据，针对每个故障，构建并训练一个深度生成模型，生成故障的时序数据，用于平衡工业过程中正常的时序数据和故障的时序数据；所述深度生成模型包括： 将输入样本映射到隐层空间的基于卷积神经网络的卷积解码器； 将所述隐层空间的隐变量还原为时序分解的基础输出的基于卷积神经网络的卷积解码器； 将所述隐层空间的隐变量转换为趋势输出的趋势多层感知机； 将所述隐层空间的隐变量转换为多个季节中间向量，得到季节输出的多个季节多层感知机； 所述深度生成模型的输出为所述卷积解码器和所有的多层感知机的输出的和； 步骤二：基于平衡的工业过程时序数据，构建并训练分类器，进行故障分类；所述分类器包括用于提取高维空间特征的长短时记忆网络，以及用于故障分类的多层感知机和softmax函数； 所述步骤一包括如下子步骤： 步骤（1.1）：将序列化的工业过程数据分为训练集和测试集，所述训练集用于深度生成模型的训练迭代，测试集用于所述深度生成模型的评价； 步骤（1.2）：将输入样本通过基于卷积神经网络的卷积编码器映射到隐层空间，得到隐变量特征均值和方差，均值和方差经过重参数化得到隐变量,其中； 步骤（1.3）：并列执行如下三个操作： （1）将隐变量通过基于卷积神经网络的卷积解码器还原为时序分解的基础输出； （2）将隐变量使用趋势多层感知机转换为趋势中间向量；定义时间向量，时间矩阵，得到时序分解的趋势输出，其中表示时间序列长度，为多项式系数； （3）将隐变量使用个季节多层感知机转换为季节中间向量，其中，为季节模式个数；对每个季节中间向量按照季节索引数组进行切片和扩展得到季节输出，最终求和得到季节输出；其中，，为第个季节模式的季节数；依次由个0，个1，…，个组成，为第个季节模式的季节长度；由个组成； 步骤（1.4）：求得输入样本的重构值； 步骤（1.5）：定义所述步骤（1.2）至步骤（1.4）所构建的深度生成模型损失函数为，其中表示重构损失，表示基于KL散度求得的隐变量损失； 步骤（1.6）：使用步骤（1.1）中的训练集数据对步骤（1.2）至步骤（1.4）所构建的深度生成模型进行训练，利用随机梯度迭代算法，对各网络参数进行梯度迭代更新，具体策略如下所示： 卷积编码器网络参数；卷积解码器的网络参数；趋势多层感知机的网络参数；季节多层感知机的网络参数； 步骤（1.7）：依据已采集的故障数据，针对每个故障构建一个所述深度生成模型，用以按需生成故障的时序数据。

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杭州师范大学，其通讯地址为：311121 浙江省杭州市余杭区余杭塘路2318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”。