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！

龙图腾网获悉北京航空航天大学申请的专利基于源领域黑盒模型的机械设备迁移故障诊断方法及系统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：CN119249278B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411401650.7，技术领域涉及：G06F18/2415；该发明授权基于源领域黑盒模型的机械设备迁移故障诊断方法及系统是由焦金阳;张天;李豪;林京设计研发完成，并于2024-10-09向国家知识产权局提交的专利申请。

本基于源领域黑盒模型的机械设备迁移故障诊断方法及系统在说明书摘要公布了：本发明提供一种基于源领域黑盒模型的机械设备迁移故障诊断方法及系统，涉及机械故障诊断技术领域，方法包括：获取各种状态下机械设备的加速度信号，并进行预处理，得到预处理数据集；构建源领域黑盒模型并进行训练得到训练好的源领域黑盒模型；构建目标领域模型；获取源领域黑盒模型的输出与目标领域模型的输出的KL散度损失；采用插值一致性正则化法获取目标领域模型的一致性损失；获取目标领域模型的核范数损失；获取目标领域模型的带有对抗正则器的有监督损失；对目标领域模型进行优化；基于优化后的目标领域模型对机械设备进行故障诊断。发明利用源领域黑盒模型的输出将源领域知识提取并转移至目标领域模型，而不需要源领域数据和模型参数。

本发明授权基于源领域黑盒模型的机械设备迁移故障诊断方法及系统在权利要求书中公布了：1.一种基于源领域黑盒模型的机械设备迁移故障诊断方法，其特征在于，其包括： S1，获取各种状态下机械设备零部件运动接触引发刚度波动产生的加速度信号，并对所述加速度信号进行预处理，得到预处理数据集，并对所述预处理数据集进行划分得到源领域数据集和目标领域数据集； S2，构建源领域黑盒模型，基于所述源领域数据集，结合平滑交叉熵损失函数对所述源领域黑盒模型进行训练得到训练好的所述源领域黑盒模型； S3，将所述源领域数据集中任意源领域数据输入到训练好的所述源领域黑盒模型，得到源领域黑盒模型输出加速度信号； S4，构建目标领域模型； S5，将所述目标领域数据集中任意目标领域数据输入到所述目标领域模型，得到目标领域模型输出加速度信号； S6，获取所述源领域黑盒模型输出加速度信号与所述目标领域模型输出加速度信号的KL散度损失；所述KL散度损失表达式为： 式中：Dklps||pt表示KL散度损失，ps表示源领域黑盒模型输出加速度信号，pt表示目标领域模型输出加速度信号，Dklbs||bt表示源领域黑盒模型和目标领域模型的第c类预测概率的KL散度，表示源领域黑盒模型和目标领域模型除去非c类的预测概率的KL散度，为源领域黑盒模型第c类的预测概率，表示源领域黑盒模型除去非c类的预测概率，为目标领域模型第c类样本的预测概率，表示目标领域模型除去非c类的预测概率，K表示故障类别的总数量，表示源领域黑盒模型第i类的预测概率，表示目标领域模型第i类的预测概率，λ为第一超参数，第c类为预测准确概率最高的故障类别； S7，基于所述目标领域数据集，采用插值一致性正则化法获取所述目标领域模型的一致性损失； 所述一致性损失表达式为： 式中：Xt表示目标领域数据集，Lmix表示一致性损失，表示目标领域数据集中的第q个目标领域加速度信号数据，表示目标领域数据集中的第j个目标领域加速度信号数据，为目标领域模型的输入为时的输出，为目标领域模型的输入为时的输出，Mixβa，b＝β·a+1‑β·b，β∈Beatδ，δ表示β从Beta分布中进行采样获取，δ为参数值，为与之间的K L散度； S8，基于所述目标领域模型输出加速度信号获取所述目标领域模型的核范数损失； S9，基于所述目标领域模型输出加速度信号获取所述目标领域模型的带有对抗正则器的有监督损失； S10，基于所述KL散度损失、所述一致性损失、所述核范数损失和所述带有对抗正则器的有监督损失对所述目标领域模型进行优化； S11，重复执行S5‑S10，得到最终目标领域模型； S12，基于所述最终目标领域模型，将机械设备实时加速度信号输入最终目标领域模型对机械设备进行故障诊断。

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航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。