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！

龙图腾网获悉北京理工大学申请的专利一种用于旋转机械迁移诊断的无监督多源信息域自适应方法、设备、介质及产品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：CN119513721B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202411554637.5，技术领域涉及：G06F18/2415；该发明授权一种用于旋转机械迁移诊断的无监督多源信息域自适应方法、设备、介质及产品是由孔运;林翠颖;鲁睿彪;祁俊辉;董明明;刘辉;闫清东设计研发完成，并于2024-11-04向国家知识产权局提交的专利申请。

本一种用于旋转机械迁移诊断的无监督多源信息域自适应方法、设备、介质及产品在说明书摘要公布了：本申请公开了一种用于旋转机械迁移诊断的无监督多源信息域自适应方法、设备、介质及产品，涉及机械故障诊断领域。该方法包括：获取多源信息；将多源信息融合并压缩为单一融合样本；构建信息融合增强的域自适应自注意力网络迁移学习模型；将单一融合样本输入信息融合增强的域自适应自注意力网络迁移学习模型，得到旋转机械的迁移诊断结果。本申请能够解决已知多源信息域自适应方法中存在的负迁移、信息丢失和高计算负担等问题。

本发明授权一种用于旋转机械迁移诊断的无监督多源信息域自适应方法、设备、介质及产品在权利要求书中公布了：1.一种用于旋转机械迁移诊断的无监督多源信息域自适应方法，其特征在于，所述用于旋转机械迁移诊断的无监督多源信息域自适应方法包括： 获取多源信息；多源信息包括时间序列信号；所述时间序列信号由多种传感器采集得到；所述时间序列信号涵盖信息融合源域和目标域的各种健康状态和工作条件； 将所述多源信息融合并压缩为单一融合样本； 构建信息融合增强的域自适应自注意力网络迁移学习模型；构建得到的信息融合增强的域自适应自注意力网络迁移学习模型包括多源特征提取器、域自适应模块和分类器； 将所述单一融合样本输入所述信息融合增强的域自适应自注意力网络迁移学习模型，得到旋转机械的迁移诊断结果； 构建信息融合增强的域自适应自注意力网络迁移学习模型，包括： 分别构建初始多源特征提取器、初始域自适应模块和初始分类器； 获取多传感器数据，对所述多传感器数据进行融合和压缩处理，得到源域的不同健康状况的信息融合样本以及目标域的不同健康状况的信息融合样本； 将源域的不同健康状况的信息融合样本以及目标域的不同健康状况的信息融合样本划分为训练集和测试集； 使用训练集对初始多源特征提取器、初始域自适应模块和初始分类器进行联合训练，使用测试集评估模型表现；在训练过程中，通过对抗损失的优化，使得信息融合源域和目标域的特征分布逐渐对齐；训练过程持续进行，直至初始多源特征提取器和初始域自适应模块联合提取到域不变特征，且分类器在目标域上达到期望精度后，得到多源特征提取器、域自适应模块和分类器； 基于所述多源特征提取器、所述域自适应模块和所述分类器组合形成信息融合增强的域自适应自注意力网络迁移学习模型； 其中，所述多源特征提取器为基于参数无关自注意力机制的二维卷积神经网络；所述多源特征提取器由三个二维卷积层、三个最大池化层、三个基于参数无关自注意力机制模块和一个全连接层组成；所述基于参数无关自注意力机制模块用于基于三个二维卷积层以及三个最大池化层输出的特征图生成特征权重图，并用于基于所述特征权重图得到增强特征图； 将卷积层和池化层生成的特征图f作为基于参数无关自注意力机制模块的输入，计算特征图f中每个通道c的均值μc和方差有： 式中，fc,i,j表示位置索引i,j处通道c的原始特征值，W和H分别表示特征图的宽度和高度； 然后，生成特征权重图；其中，有： 其中，c是通道索引，i∈{1,2,...,H}是高度维度上的索引，j∈{1,2,...,W}是宽度维度上的索引，ε表示一个小常数，用于避免除以零的不确定性，yc,i,j表示位置索引i,j处通道c的特征权重； 最后，得到增强的特征图z，其描述如下： α＝σy； z＝f·α； 其中，y代表所有通道和空间维度的特征权重图，σ·代表sigmoid激活函数，α代表特征图f的增强系数。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。