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！

龙图腾网获悉杭州电子科技大学申请的专利基于注意力机制的双卷积动态域适应设备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：CN116805051B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202310744126.9，技术领域涉及：G06F18/24；该发明授权基于注意力机制的双卷积动态域适应设备故障诊断方法是由何志伟;邵怡宁;郑骁蓉;李平;高明煜设计研发完成，并于2023-06-21向国家知识产权局提交的专利申请。

本基于注意力机制的双卷积动态域适应设备故障诊断方法在说明书摘要公布了：本发明公开了基于注意力机制的双卷积动态域适应设备故障诊断方法，首先按不同工况将数据分为源域与目标域数据；将数据输入特征提取器，提取可转移特征；将特征作为输入，对抗训练分类器和域鉴别器，计算分类器和域鉴别损失；对每种类别样本分别利用LMMD度量准则计算差异度量损失；计算自适应因子，构建域适应损失；域适应损失和分类损失相加得到总损失函数值，通过反向传播迭代更新优化模型参数，得到最终模型；将目标域数据输入最终模型，输出故障诊断结果。该方法通过动态地调节边缘分布和条件分布在整体数据分布中的重要性，使模型可以更有针对性地对不同工况下的数据集进行迁移，实现精确故障诊断。

本发明授权基于注意力机制的双卷积动态域适应设备故障诊断方法在权利要求书中公布了：1.基于注意力机制的双卷积动态域适应设备故障诊断方法，其特征在于：具体包括以下步骤： 步骤一、按照工况将收集的数据分为有标签的源域数据和无标签的目标域数据其中，表示源域的第i个样本，表示对应的标签，表示目标域的第i个样本，ns表示源域样本数，nt表示目标域样本数； 步骤二、构建设备故障诊断神经网络模型，包括特征提取器、域鉴别器和分类器； 所述特征提取器使用两条不同深度的卷积通道，提取输入数据的低维和高维特征，融合后进行注意力计算，输出可转移特征；所述域鉴别器用于判断特征提取器的输出特征属于源域或目标域；所述分类器用于判断特征提取器输入数据的故障类型； 步骤三、初始化设备故障诊断神经网络模型参数，输入步骤一采集的数据，通过特征提取器提取可转移特征，再分别输入域鉴别器和分类器，计算分类器损失、域鉴别器损失与差异度量损失； 所述分类器损失只针对源域数据进行计算： 其中，C代表源域数据中样本标签的故障类别数量，表示样本xi属于c类别的概率，Gf代表特征提取器，Gy代表分类器；GyGfxi表示样本xi的预测标签； 所述域鉴别器损失通过计算域鉴别预测标签与真实域标签的交叉熵损失获得： 其中，Gd代表域鉴别器，Ld代表交叉熵损失，GdGfxi、di分别代表第i个样本的域鉴别预测标签与真实域标签； 利用源域真实标签和目标域预测标签计算LMMD度量损失： 其中和分别表示源域样本目标域样本的可转移特征，d表示二者的LMMD距离； 通过相似度度量计算源域样本与目标域样本之间分布距离的全局差异度量dA-gDs∪Dt： dA-gDs∪Dt＝21-2Lg4 根据LMMD度量准则计算局部差异度量dlDs∪Dt： 根据全局差异度量和局部差异度量计算自适应因子ω： 利用自适应因子ω动态调节两个域边缘分布和条件分布的重要程度，设计如下域适应损失： LD＝ωLg+1-ωLlmmd7 步骤四、利用带有标签的源域样本和无标签的目标域样本进行迭代训练，在训练过程中利用自适应因子缩小源域和目标域样本的分布差异，设备故障诊断神经网络模型的总损失函数为： Ltotal＝Ly+λLD＝Ly+λωLg+1-ωLlmmd8 其中，λ表示权衡参数，用于控制域适应损失LD在整个损失函数中的权重，epoch和totalepochs分别代表当前迭代训练次数和设定的总迭代训练次数； 步骤五、将传感器采集的设备运行数据输入步骤四训练后的模型中，得到故障诊断结果。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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。