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！

龙图腾网获悉中山大学申请的专利一种基于对抗迁移学习的轴承跨工况故障预测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：CN114722879B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202210435858.5，技术领域涉及：G06F18/2433；该发明授权一种基于对抗迁移学习的轴承跨工况故障预测方法是由黄承赓;韩瑜;温建棋;门昌昊;刘梓阳设计研发完成，并于2022-04-24向国家知识产权局提交的专利申请。

本一种基于对抗迁移学习的轴承跨工况故障预测方法在说明书摘要公布了：本发明公开了一种基于对抗迁移学习的轴承跨工况故障预测方法，该方法包括：设定不同工况并对轴承进行信号采集，得到振动信号；基于峰值度量的连续异常点检测方法，对振动信号进行识别，得到健康阶段信号和退化阶段信号；对退化阶段信号进行预处理和故障特征提取，得到故障特征集；将故障特征集输入至域对抗迁移学习双分支神经网络并进行更新训练，得到预测模型；获取待测数据并输入至预测模型，得到故障预测结果。通过使用本发明，实现了面向实际工况特征的大型风机齿轮箱高速轴滚珠轴承在不同工况下的准确寿命预测。本发明作为一种基于对抗迁移学习的轴承跨工况故障预测方法，可广泛应用于工程部件寿命预测领域。

本发明授权一种基于对抗迁移学习的轴承跨工况故障预测方法在权利要求书中公布了：1.一种基于对抗迁移学习的轴承跨工况故障预测方法，其特征在于，包括以下步骤： 设定不同工况并对轴承进行信号采集，得到振动信号； 基于峰值度量的连续异常点检测方法，对振动信号进行识别，得到健康阶段信号和退化阶段信号； 对退化阶段信号进行预处理和故障特征提取，得到故障特征集； 将故障特征集输入至域对抗迁移学习双分支神经网络并进行更新训练，得到预测模型； 获取待测数据并输入至预测模型，得到故障预测结果； 所述预测模型包括特征提取器模块、剩余寿命预测器模块和域对抗模块； 所述将故障特征集输入至域对抗迁移学习双分支神经网络并进行更新训练，得到预测模型这一步骤，其具体包括： 将故障特征集中预处理后的第一故障特征和第二故障特征分别输入至域对抗迁移学习双分支神经网络的第一通道和第二通道； 基于特征提取器提取高级融合特征并输入至剩余寿命预测模块和域对抗模块； 基于剩余寿命预测器模块预测轴承的剩余寿命； 基于域对抗模块对高级融合特征进行域分类判断； 基于自适应优化算法，结合真实标签反向传播迭代更新训练网络参数，得到预测模型； 所述特征提取器模块的输出表达式如下： hFL＝GfxS_1D,xS_2D,xT_1D,xT_2D；θf 上式中，hFL表示提取的高级融合特征，Gf·；θf表示特征提取器模块，即一个双分支网络，θf是特征提取器的参数集； 所述剩余寿命预测器模块的表达式如下： 上式中，表示预测的剩余使用寿命的百分比，Gp·；θp表示由全连接层组成的剩余寿命预测器模块，σ·表示sigmoid激活函数，θp表示剩余寿命预测模块的参数集； 所述域对抗模块由域分类器组成，所述域分类器定义为： 上式中，Gd·；θd是由几个全连接层组成的域分类器，对应的最后一层是一个二元分类层，θd是域分类器的参数集，γ·表示对数softmax激活函数，是预测的域标签； 所述迭代更新训练网络参数的优化目标包括剩余寿命预测器模块的回归损失和域对抗模块的域分类损失； 所述预测模型的最终优化目标函数总结为： 上式中，Lp表示剩余寿命预测器模块的回归损失，Ld表示域对抗模块的域分类损失，Nbatch表示源域中标记样本的批量大小，λ是控制Lp和Ld之间权衡的非负超参数，和是在第i个训练样本的对应损失函数。

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山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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”。