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！

龙图腾网获悉华中科技大学申请的专利一种基于格拉姆角场与VAE-GAN的设备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：CN119441981B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411540198.2，技术领域涉及：G06F18/241；该发明授权一种基于格拉姆角场与VAE-GAN的设备故障诊断方法及系统是由史铁林;纪建党;段暕;郭康彪;梁健强;胡铖;杨静;熊学辰设计研发完成，并于2024-10-31向国家知识产权局提交的专利申请。

本一种基于格拉姆角场与VAE-GAN的设备故障诊断方法及系统在说明书摘要公布了：本发明属于设备智能故障诊断相关技术领域，其公开了一种基于格拉姆角场与VAE‑GAN的设备故障诊断方法及系统，包括：离线阶段：采集设备振动信号，建立初始信号样本集；利用GAF编码技术将信号样本编码为格拉姆角场图片；基于GAN建立样本增广模型，利用初始图片样本集进行训练；利用训练完成的样本增广模型获取扩展图片样本集；建立图片分类模型，基于扩展图片样本集进行训练；在线诊断阶段：将待测信号样本编码为格拉姆角场图片；输入训练完成的图片分类模型，获取故障模式分类结果。本发明将设备故障振动信号转化为二维图像，能够充分发挥GAN在图像生成中的优势，解决了现故障样本少、样本分布不均衡的问题。

本发明授权一种基于格拉姆角场与VAE-GAN的设备故障诊断方法及系统在权利要求书中公布了：1.一种基于格拉姆角场与VAE-GAN的设备故障诊断方法，其特征在于，包括： 离线数据处理及模型训练阶段： S11，采集设备不同故障模式下的振动信号，建立初始信号样本集； S12，利用GAF编码技术将所述初始信号样本集中的信号样本编码为格拉姆角场图片，获取初始图片样本集； S13，基于GAN建立样本增广模型用于生成新的图片样本，利用所述初始图片样本集对样本增广模型进行训练，获取训练完成的样本增广模型； S14，利用训练完成的样本增广模型对所述初始图片样本集进行扩充，获取扩展图片样本集； S15，建立图片分类模型用于基于图片样本进行故障模式分类，基于所述扩展图片样本集对图片分类模型进行训练，获取训练完成的图片分类模型； 在线诊断阶段： S21，获取设备的实际振动信号，生成待测信号样本； S22，利用GAF编码技术将所述待测信号样本编码为格拉姆角场图片，获取待测图片样本； S23，将所述待测图片样本输入训练完成的图片分类模型，获取故障模式分类结果实现故障诊断； S13中基于GAN建立样本增广模型具体包括： 将VAE和GAN相结合，利用VAE的编码器输出替代GAN中生成器的随机噪声输入，建立VAE-GAN模型作为样本增广模型； 其中VAE-GAN模型中包括编码器、生成器和鉴别器，所述编码器用于基于所述初始图片样本集中的真实图片样本获取其隐层变量及其概率分布，所述生成器用于基于真实图片样本的隐层变量和随机噪声输出新的生成图片样本，所述鉴别器用于鉴别真实图片样本和生成图片样本； S13中利用所述初始图片样本集对样本增广模型进行训练，获取训练完成的样本增广模型，具体包括： 根据编码器的散度损失函数对编码器进行优化训练； 基于Wasserstein散度建立目标函数对生成器和鉴别器进行优化训练；最终获取训练完成的VAE-GAN模型； 编码器的散度损失函数具体为： 式中：和分别为编码器网络隐层变量的均值和方差；为两个数据样本之间的散度；表示正态分布；表示标准正态分布； 基于Wasserstein散度建立的目标函数如下式所示： 其中，G表示生成器；D表示鉴别器；E表示期望函数；表示真实样本；表示生成样本；表示真实样本分布；表示生成样本分布；为Radon测度；表示随机噪声的生成样本；为梯度算子；为鉴别器的输出；、两个参数是常数，要求，。

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华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037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。