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！

龙图腾网获悉山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)申请的专利一种基于混合深度自编码的轴承故障新类识别与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：CN116578940B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202310572685.6，技术领域涉及：G06F18/2433；该发明授权一种基于混合深度自编码的轴承故障新类识别与诊断方法是由赵媛媛;郝慧娟;张羽;陈宇;袁慧苗设计研发完成，并于2023-05-18向国家知识产权局提交的专利申请。

本一种基于混合深度自编码的轴承故障新类识别与诊断方法在说明书摘要公布了：本发明属于智能故障诊断的技术领域，更具体地，涉及一种基于混合深度自编码的轴承故障新类识别与诊断方法，包括S1、采集不同故障条件下的轴承振动信号数据作为样本；S2、对S1中采集的样本进行预处理，并分为训练集和测试集；S3、搭建混合深度自编码网络，包括第一编码器、解码器、第二编码器和Softmax分类层的结构；S4、将训练集输入混合深度自编码网络，进行预训练得到新类故障检测阈值，实现故障分类；S5、将测试集输入训练好的混合深度自编码网络中进行诊断。本发明解决了现有技术中深度学习模型需要大量的标记数据来训练，单个深度学习模型提取相似特征时容易造成故障的误分类和模型的过拟合的问题。

本发明授权一种基于混合深度自编码的轴承故障新类识别与诊断方法在权利要求书中公布了：1.一种基于混合深度自编码的轴承故障新类识别与诊断方法，其特征在于，包括； 步骤S1、采集不同故障条件下的轴承振动信号数据作为样本，包括已知故障类别样本、未知故障类别样本； 步骤S2、对S1中采集的样本进行预处理得到原始图像，取70%的已知故障类别的样本作为训练集并赋予类标签，剩余30%的已知故障类别样本和未知故障类别样本组成测试集； 步骤S3、搭建混合深度自编码网络，所述混合深度自编码网络包括第一编码器、解码器、第二编码器和Softmax分类层； 所述第一编码器包括4个卷积层和2个全连接层； 所述解码器包括4个反卷积层和2个全连接层； 所述第二编码器包括4个卷积层和2个全连接层； 步骤S4、将训练集输入混合深度自编码网络，结合最小批随机梯度下降法和无监督学习方法对网络进行预训练得到新类故障检测阈值，并基于类标签和隐藏特征实现故障分类； 步骤S5、将测试集输入经训练集训练的混合深度自编码网络进行诊断； 若为新类故障，则完成诊断； 若不属于新类故障，再通过匹配类标签，得出故障类型，完成诊断 定义以下3个损失函数以实现所述混合深度自编码网络的迭代优化： 定义重构损失测量输入的原始图像x和重构图像x′之间重构损失，损失函数如下： 3； 定义编码器损失来最小化原始数据的隐藏层特征表示z和重构图像的特征表示z′之间的欧式距离，损失函数表示如下： 4； 定义分类器监督训练损失来测量Softmax分类层预测与标记数据的真实类标签之间的距离，损失函数如下： 5； 其中，i表示隐藏层的神经元个数，i=1,2,…,N，k为故障类型，k=1,2,…,C，为原始数据类标签，，为经过Softmax分类层映射后的预测类标签； 所述步骤S4具体包括： 步骤S41、混合深度自编码网络的无监督训练阶段：将所有的已知故障类数据输入上述网络中进行无监督训练，获取这些数据的隐藏特征，利用最小批梯度下降法，最小化以下目标函数： 6； 其中，和是调整单个损失对整体目标函数影响的权重； 步骤S42、混合深度自编码网络的有类标签训练，输入有类标签数据到所述混合深度自编码网络中进行有监督训练，通过梯度下降法不断更新Softmax分类层中的权值和偏置向量，有监督训练阶段的目标函数如下 7； 其中，、和是调整单个损失对整体目标函数影响的权重； 步骤S43、记录已知故障类的原始图像和重构图像之间的误差，并根据此误差设定新类故障检测阈值，所述混合深度自编码网络采用均方差损失计算重构误差： 8； 通过上式计算新类故障检测新类故障检测阈值δ，δ的表达式如下： 9； 其中，Q1为训练集重构误差的下四分位数，即25%分位数；Q3为重构误差的上四分位数，即75%分位数。

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山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)，其通讯地址为：250000 山东省济南市经十路东首科学院路19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。