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！

龙图腾网获悉河北工业大学;中信重工机械股份有限公司;天津开发区精诺瀚海数据科技有限公司申请的专利面向非平衡样本的交互式故障诊断方法、装置及存储介质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：CN120493026B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202510976880.4，技术领域涉及：G06F18/241；该发明授权面向非平衡样本的交互式故障诊断方法、装置及存储介质是由刘晶;杨磊;季海鹏;王梓玄;王峰;冯海领;贺瑞梅设计研发完成，并于2025-07-16向国家知识产权局提交的专利申请。

本面向非平衡样本的交互式故障诊断方法、装置及存储介质在说明书摘要公布了：本申请公开了一种面向非平衡样本的交互式故障诊断方法、装置及存储介质，属于故障诊断领域。首先获取目标对象的运行监测数据，通过滑动窗口算法动态提取时域频域特征构建混合特征向量。然后从该混合特征向量中提取预设的全局关键特征值，输入训练好的故障诊断模型直接输出分类结果。其中，故障诊断模型的训练过程中，利用集成滑动窗口的CGAN网络将原始失衡数据转换为类别均衡数据集，基于SHAP算法量化特征全局贡献度，结合人机交互反馈动态锁定Top‑K关键特征集，通过特征自适应加权融合网络强化特征表征，并采用焦点损失函数训练LightGBM分类器聚焦少数类样本，提高了非平衡数据下故障诊断模型的诊断性能和可靠性。

本发明授权面向非平衡样本的交互式故障诊断方法、装置及存储介质在权利要求书中公布了：1.一种面向非平衡样本的交互式故障诊断方法，其特征在于，包括： 获取待诊断故障类型的目标对象的运行监测数据； 利用滑动窗口算法提取所述运行监测数据的时域特征和频域特征，构建第一混合特征向量； 从所述第一混合特征向量中，提取与预设的关键特征集对应的特征值，并将提取的特征值输入训练好的故障诊断模型，输出所述目标对象的故障类型分类结果； 其中，所述故障诊断模型预先通过以下步骤训练： 通过在输入层集成有所述滑动窗口算法的条件生成对抗网络，将样本失衡的原始数据集转换为各类样本数量均衡的平衡数据集； 基于沙普利加性解释算法计算所述平衡数据集中所有样本的各特征列的全局贡献度，结合人机交互反馈按贡献度排序选取Top-K特征列，形成全局共享的关键特征集；以及 以所述平衡数据集在所述关键特征集上的特征值为输入，训练故障诊断模型；其中，所述故障诊断模型包括用于对输入特征值进行融合处理的特征自适应加权融合网络以及用于对融合后的特征进行分类诊断的轻量梯度提升网络，并且训练所述轻量梯度提升网络时采用焦点损失函数； 其中，所述基于沙普利加性解释算法计算所述平衡数据集中所有样本的各特征列的全局贡献度，结合人机交互反馈按贡献度排序选取Top-K特征列，形成全局共享的关键特征集的操作，包括： 基于沙普利加性解释算法计算所述平衡数据集中所有样本的各特征列的SHAP值，作为全局贡献度； 计算所述平衡数据集中所有特征列SHAP值绝对值的统计分布，构建自适应筛选阈值； 从所述平衡数据集的所有特征列中筛选SHAP值绝对值满足所述自适应筛选阈值的特征列，生成初级候选特征集； 以所述初级候选特征集为输入，计算特征间的SHAP交互值，筛选满足预设的协同贡献阈值的特征组合，生成优化特征集；以及 接收工程师输入的领域知识约束条件，从所述优化特征集中选取符合所述领域知识约束条件的Top-K特征列，形成全局共享的关键特征集； 接收工程师输入的领域知识约束条件的操作之前，还包括： 生成并展示以下解释性图表：特征重要性全局图、特征交互效应图和关键样本决策解释图；其中，所述特征重要性全局图以水平条形图呈现各特征的平均绝对SHAP值，按降序排列并标注贡献方向；所述特征交互效应图针对每对特征组合，以散点图形式展示主特征与交互特征对SHAP值的联合影响分布；所述关键样本决策解释图用于指示误诊或风险大于阈值的样本的预测决策逻辑，通过瀑布图分解从基础值到样本最终预测值的各特征贡献累加过程；以及 基于所述解释性图表，辅助工程师执行以下操作：识别模型依赖的潜在虚假特征、分析特征交互依赖图中是否存在违反领域知识的协同效应以及定位需人工干预的决策盲区。

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河北工业大学;中信重工机械股份有限公司;天津开发区精诺瀚海数据科技有限公司，其通讯地址为：300401 天津市北辰区西平道5340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。