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！

龙图腾网获悉安徽理工大学申请的专利基于自监督空间学习的跨模态轴承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：CN119830148B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411625657.7，技术领域涉及：G06F18/2431；该发明授权基于自监督空间学习的跨模态轴承故障诊断方法是由苏树智;秦子倪;朱彦敏;陈见设计研发完成，并于2024-11-14向国家知识产权局提交的专利申请。

本基于自监督空间学习的跨模态轴承故障诊断方法在说明书摘要公布了：本发明公开了一种基于自监督空间学习的跨模态轴承故障诊断方法，主要是构建类标签和跨模态空间投影方向的统一优化模型，从而能够在无监督故障诊断情况下实现类标签的自监督学习，有效提高故障诊断的准确性。具体实现过程为：1利用跨模态类标签信息和相关空间理论，构建跨模态自监督空间学习模型；2理论上推导出跨模态类中心的间接表示，进而获得学习的跨模态一致空间中类标签的解析解；3在跨模态自监督空间学习投影方向的基础上获得故障样本数据的跨模态故障特征，并将低维判别统一故障特征输入到分类器中，得到最终的轴承故障诊断结果。与现有技术相比，本发明的故障诊断方法更具有效性和鲁棒性。

本发明授权基于自监督空间学习的跨模态轴承故障诊断方法在权利要求书中公布了：1.一种基于自监督空间学习的跨模态轴承故障诊断方法，其特征在于该方法包括如下步骤： 1通过传感器采集机械设备轴承故障的运行数据，分别从时域、频域和时频域角度提取多个轴承故障数据的相关统计特征，以构建跨模态故障数据样本集合其中di代表第i组数据集的特征维数，N表示样本的个数，m代表故障数据的模态数量；按比例将故障数据划分为训练样本集trainX1，trainX2和测试样本集testX1，testX2； 2构建跨模态故障数据的自监督空间学习模型，获得高维故障特征的低维表示，其步骤按如下进行： 2a假定每个模态有K个类中心，每个模态映射过后的类中心是定义为类标签优化函数，并理论推导得到跨模态邻域一致类中心目标优化函数； 2b结合类标签优化函数和跨模态邻域一致类中心目标优化函数的求解以及相关空间学习理论，针对无监督学习中缺乏类标签鉴别信息的问题，构建跨模态自监督空间学习模型： 其中，Hm为所求的投影向量，S表示特征矩阵，F表示类标签矩阵，cv表示跨模态类中心，以类标签函数为例，构建类标签优化函数 其中，表示在m模态中所有属于v类的样本数，F＝[f1,f2,…,fn]∈RK×N,fn＝[fn1,fn2,…,fnK]∈RK×N，n＝1,2,…,N；表示当且仅当fnv＝1时，属于v类，否则fnv＝0；跨模态邻域一致类中心目标优化函数可以对模态间的鉴别信息进行有效整合，提高模态间互补性，弱化标签失真的影响，定义跨模态邻域一致类中心目标优化函数为： 跨模态自监督空间学习模型寻求不同模态之间的共享低维表示，最小化每个模态的类内离散度，有效增强相关特征的类可分性；最大化模态之间的相关性，较大程度保留跨模态数据之间的互补信息； 3采用迭代优化的方法求解跨模态自监督空间学习模型的类中心矩阵C、投影降维矩阵Hm和类标签矩阵F；其步骤按如下进行： 3a固定类标签矩阵F，优化投影矩阵Hm和类中心矩阵C： 利用拉格朗日乘数法求出C的解析表示，构造跨模态自监督空间学习模型的拉格朗日乘子函数Lcv： 其中，λ为拉格朗日乘子，将带入上式并对cv求偏导： 令为零得到： 因此，cv的表示形式为： 对上式进行扩展，推得跨模态类中心矩阵C： 采用拉格朗日乘数法求解时，其解为前d个最大特征值对应PR-1的广义特征向量，其中为块矩阵,由S可以得到投影向量 3b固定投影矩阵Hm和中心矩阵C，优化类标签矩阵F： 跨模态自监督空间学习模型求解的优化目标函数重新表述为： 当Hm和cv固定时，式中的分母为常数，仅最小化公式中的分子；由于cv是固定的，F＝[f1,f2,…,fn]的优化问题简化为类中心的最近邻问题，fn＝[fn1,fn2,…,fnK]∈RK×N，n＝1,2,…,N的最优解为： 利用典型相关分析理论融合跨模态信息，增强故障样本的互补性，得到了更丰富的鉴别信息，并进一步考虑跨模态类中心，从而弱化类标签失真的影响，最终得到了投影矩阵类中心矩阵C和类标签矩阵F，实现了无监督情况下的自监督学习以及类中心的共享； 4通过空间投影获得轴承故障数据的低维训练样本特征集和低维测试样本特征集；使用并行融合策略来融合不同模态的低维训练样本集或低维测试样本特征集，进而获得融合后的低维训练样本集、融合后的低维测试样本集；最后，利用分类器进行分类，获得故障诊断结果。

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安徽理工大学，其通讯地址为：232000 安徽省淮南市泰丰大街168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。