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！

龙图腾网获悉西安交通大学申请的专利一种双视角错误标签矫正的滚动轴承故障靶向迁移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：CN117312983B 。

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：202311189486.3，技术领域涉及：G06F18/2415；该发明授权一种双视角错误标签矫正的滚动轴承故障靶向迁移诊断方法是由雷亚国;孟田航;杨彬;李响;李乃鹏;曹军义;武通海设计研发完成，并于2023-09-15向国家知识产权局提交的专利申请。

本一种双视角错误标签矫正的滚动轴承故障靶向迁移诊断方法在说明书摘要公布了：一种双视角错误标签矫正的滚动轴承故障靶向迁移诊断方法，首先获取利用残差连接的参数共享特征提取模块从两个视角提取源域和目标域的深层特征；然后，通过比较标注错误样本与其他纯标注样本的特征相似性和梯度方向，构建标签异常指标，并对不正确的标签进行进一步修改；最后，利用修正后的样本和原有样本以及目标样本构建目标函数训练能在样本异常情况下对目标域正确打标签的模型；本发明对于不正确的标签标注具有较高的诊断准确率，显著提高了迁移诊断学习在轴承故障诊断中的精度，解决了标签标注异常影响深度迁移学习的问题。

本发明授权一种双视角错误标签矫正的滚动轴承故障靶向迁移诊断方法在权利要求书中公布了：1.一种双视角错误标签矫正的滚动轴承故障靶向迁移诊断方法，其特征在于，包括以下步骤： 步骤1：获取源域数据集，包含标签纯净数据集与异常标注数据集并且源域中每类状态至少包含一个标签纯净数据；之后获取目标域数据集由Nt个无标签样本组成； 上式中，表示源域数据集中标签纯净数据集第m个数据，是与之对应的标签，Msc表示标签纯净数据的个数；表示源域数据集中异常标注数据集第m个数据，是与之对应的异常标签，Msa表示异常标注数据的个数；表示目标域数据集中第n个数据； 步骤2：利用领域共享的深度残差网络，构建双视角残差连接的参数共享特征提取模块；同时从源域数据集的标签纯净数据集Xsc、异常标注数据集Xs和目标域数据集Xt中提取深度故障特征，视角1和视角2的特征提取过程如下公式： 上式中，为特征提取模块操作函数，θFeature为特征提取模块中待优化参数集合； 步骤3：利用Softmax函数σSoftmax来预测每个健康状态相关的输入特征的概率，得到两个视角的预测标签为： 其中和表示视角1和视角2的训练参数；计算双视角迁移诊断模型的目标函数Lc并更新步骤2中的模型参数θFeature： 式中，K表示一个样本集合的类别总数，I·表示二进制指示函数，如果条件成立则为1否则为0，表示第m个标签纯净数据集的样本与第n个样本标签的样本关联的概率； 优化目标为： 步骤4：当迭代次数大于设定次数ξ时，计算两个视角下源域第m个纯净样本和第n个标注异常样本的距离和以及梯度和 上式中，分别表示异常标注数据集的第m个特征和第n个特征，表示该计算在视角1中进行，表示该计算在视角2中进行；L·,·是交叉熵损失函数，和分别表示标签纯净数据集第m个预测标签和第m个原始标签，和分别表示标签纯净数据集第n个预测标签和异常标注数据集第n个原始标签；结合距离和梯度的计算公式，得到两个视角下第n个标注异常样本的标签纯净度因子： 步骤5：利用二值化高斯混合模型拟合步骤4中的标签纯净度因子，根据模型参数中的均值与方差，确定是否需要进行标签修正： 式中，|μv|与|σv|分别为标签纯净度因子较大簇的均值与标准差；说明第n个标签样本纯净，反之说明异常； 步骤6：结合步骤5中判断异常标注数据集的方法，对源域数据集进行修正，修正后的第n个样本的标签为： 式中,和分别表示视角1下第n个预测标签和视角2下第n个预测标签； 步骤7：从源域数据集的异常标注数据集Xs和目标域数据集Xt中随机采样最小批样本N； 步骤8：优化目标为： 式中，Ls为交换双视角下的判断结果得到源域异常标注下的损失函数，λ为特征分布适配的惩罚系数；Lda为双视角下目标域样本向源域样本迁徙的最优传输距离；然后利用Adam优化算法，更新目标中参数集合θFeature，以最小化目标函数； 步骤9：重复依次执行步骤2-步骤8迭代优化残差连接的参数共享特征提取模块，输出目标域无标记样本对应的健康标记。

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西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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。