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因果推断和知识蒸馏的滑触线供电故障诊断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：CN119418105B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202411460173.1，技术领域涉及：G06V10/764；该发明授权基于因果推断和知识蒸馏的滑触线供电故障诊断方法是由刘杰;张建平设计研发完成，并于2024-10-18向国家知识产权局提交的专利申请。

本基于因果推断和知识蒸馏的滑触线供电故障诊断方法在说明书摘要公布了：本发明属于汽车生产线故障诊断技术领域，涉及一种基于因果推断和知识蒸馏的滑触线供电故障诊断方法，其包括:S1、构建基于深度神经网络的第一特征模型，将汽车生产线中的滑触线图片用于第一特征模型的训练；S2、利用变分自编码器和第一特征模型对汽车生产线中的滑触线图片进行去混淆操作，生成中间层特征图；S3、构建基于知识蒸馏技术的第二特征模型，训练第二特征模型；S4、将第二特征模型部署在汽车生产线上的边缘设备中，进行积碳故障诊断。本发明在模型保持高诊断精度的同时，能够压缩训练模型的规模，并且使训练模型能够捕获正确的故障特征，提高故障诊断网络模型的输出结果的可靠性，满足工业生产的实际需求。

本发明授权基于因果推断和知识蒸馏的滑触线供电故障诊断方法在权利要求书中公布了：1.一种基于因果推断和知识蒸馏的滑触线供电故障诊断方法，其特征在于，其包括： S1：构建基于深度神经网络的第一特征模型，将汽车生产线中的滑触线图片用于第一特征模型的训练； S11：收集汽车生产系统中的滑触线图片，并对滑触线图片进行预处理消除图片噪声；根据滑触线图片积碳的覆盖面积、积碳厚度和光泽度等方面将滑触线图片划分为四个故障等级；并构建训练集图片Xtrain和测试集图片Xtest； S12：构建第一特征模型，第一特征模型基于深度神经网络模型构建，并使用划分的训练集图片Xtrain对其进行训练； S2：利用变分自编码器和步骤S1中的第一特征模型对滑触线图片进行去混淆操作，生成中间层特征图；所述第一特征模型包括三个子模块：第一特征模型的第一子模块生成的中间层特征图包含积碳的边缘、滑触线与积碳的界限特征；第一特征模型的第二子模块能够增加中间层特征图包含积碳的形状轮廓；第一特征模型的第三子模块生成的中间层特征图包含滑触线上积碳的分布特征； S21：将训练集图片Xtrain输入进训练好的第一特征模型中，提取第一特征模型输出的中间层特征图ftx； S22：将训练集图片Xtrain输入变分自编码器中，提取变分自编码器解码器输出的中间层特征图fVAEx； S23：利用变分自编码器生成仅包含背景特征的特征图，具体包括：滑触线背景的线性形状特征、工作环境的光照强度特征和滑触线表面颜色特征；计算步骤S21中第一特征模型的中间层特征图ftx和步骤S22中变分自编码器解码器的中间层特征图fVAEx之间的误差，获得仅包含积碳故障特征的积碳特征图；并使用核卷积和空间双线性插值匹配通道数量和空间分辨率进行处理，获得中间层特征误差图为： ERRORintermediate＝MSEftx,τVAEfVAEx 其中，ERRORintermediate为中间层特征误差图；MSE为均方误差函数；ftx为第一特征模型的中间层特征图；fVAEx为变分自编码器的中间层特征图；ΨVAE为双线性插值函数，用于匹配第一特征模型和变分自编码器的特征图维度；x为均方误差函数输入自变量； S3：构建基于知识蒸馏技术的第二特征模型，使用知识蒸馏技术将步骤S2中的第一特征模型输出的中间层特征图ftx以及步骤S1中的训练集图片Xtrain输入第二特征模型进行训练； S31：构建第二特征模型的第一损失子函数；将步骤S1中的训练集图片Xtrain输入第一特征模型中，利用第一特征模型生成的特征标签qsoftx来设计第二特征模型的训练过程；将第二特征模型的输出概率分布qsx与第一特征模型的特征标签qsoftx之间的损失作为训练第二特征模型的第一损失子函数为： 其中，losssoft为第二特征模型的softmax函数输出和第一特征模型的特征标签之间的第一损失子函数；H为交叉熵的函数；qtx为第一特征模型特征标签的概率分布；qsx为第二特征模型的输出概率分布； S32：构建第二特征模型的第二损失子函数；在训练第二特征模型的过程中，将第二特征模型的中间层特征图fsx和S2中由第一特征模型和变分自编码器生成的仅包含故障特征的中间层特征误差图ERRORintermediate求差值，作为训练第二特征模型的第二损失子函数为： lossfeature＝MSEfsx，ERRORintermediate 其中，lossfeature为第二特征模型的中间层获得故障特征的第二损失子函数；fsx为第二特征模型的中间层特征图； S33：构建第二特征模型的第三损失子函数；在训练第二特征模型的过程中，第二特征模型输出概率分布qsx与独热编码标签psx之间的第三损失子函数为： 其中，lossh为第二特征模型的softmax函数输出与真实数据集的标签之间的第三损失子函数；psx为独热编码标签； S34：整合上述损失子函数，获得第二特征模型的损失函数Losss为： Loss＝α*lossh+β*losssoft+γ*lossfeature 其中，Losss为第二特征模型的损失函数；α为第一损失函数lossh权重系数；β为第二损失函数losssoft权重系数；γ为第三损失函数lossfeature权重系数； S4：将步骤S3得到的第二特征模型部署在汽车生产线上的边缘设备中，采集汽车生产线上的滑触线图片，并进行处理，使用第二特征模型进行积碳故障诊断，并及时发出报警。

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。