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！

龙图腾网获悉合肥工业大学申请的专利一种基于多模态深度聚类的机械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：CN117237685B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202311201166.5，技术领域涉及：G06V10/762；该发明授权一种基于多模态深度聚类的机械设备故障诊断方法是由伍章俊;方刚;王逸飞;许仁礼设计研发完成，并于2023-09-18向国家知识产权局提交的专利申请。

本一种基于多模态深度聚类的机械设备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多模态深度聚类的机械设备故障诊断方法，其步骤包括：1.收集机械设备运行状态的传感器信号数据，通过小波包变换生成时频图像数据，并对信号数据与时频图像数据进行预处理，构建数据样本集；2.搭建多模态无监督网络，网络结构包括卷积自编码器模块、门控递归单元自编码器模块、多模态融合模块和聚类模块；3.训练多模态无监督网络，并优化网络参数；4.利用训练好的多模态无监督网络模型对机械设备进行故障诊断。本发明能从无标签的多模态数据中提取不同模态数据的深度特征并实现多模态特征的自适应融合，从而提升机械设备故障诊断的效果。

本发明授权一种基于多模态深度聚类的机械设备故障诊断方法在权利要求书中公布了：1.一种基于多模态深度聚类的机械设备故障诊断方法，其特征在于，包括以下步骤： 步骤1，构建数据样本集： 利用个传感器收集机械设备运行状态的原始信号数据，并通过小波包变换将原始信号数据转换成时频图像数据，再对原始信号数据与时频图像数据进行归一化处理；得到归一化后的信号数据与时频图像数据并进行样本划分，从而构建样本集与，其中，和分别表示第个样本的信号数据及其对应的第个时频图像数据，表示第个样本的故障标签，表示样本数量，表示传感器数量，表示每个传感器信号数据的特征维度，表示每个时频图像数据的分辨率； 步骤2，搭建多模态无监督网络，包括：门控递归单元自编码器模块、卷积自编码器模块、多模态融合模块和聚类模块： 步骤2.1，对所述多模态无监督网络中的参数进行初始化； 步骤2.2，按照信号样本与时频图像样本的对应关系，依次将信号数据及其对应的时频图像数据分别输入到所述的门控递归单元自编码器模块和卷积自编码器模块进行特征提取，并输出对应的深度表示特征和，从而利用式3构建第个样本的信号数据与重构的信号数据之间的重构损失函数： 3 式3中，表示矩阵的F-范数； 利用式6构建第个时频图像数据与重构的时频图像数据之间的重构损失函数 6 步骤2.3，将门控递归单元自编码器模块与卷积自编码器模块分别提取的深度表示特征输入到多模态融合模块，以得到多模态深度特征融合 步骤2.4，将所有样本的多模态融合特征输入到聚类模块中进行聚类： 步骤2.4.1，所述聚类模块利用k均值聚类算法初始化个样本的多模态融合特征的聚类质心表示第j个聚类质心，表示聚类质心数量； 步骤2.4.2，所述聚类模块利用式10计算软分配分布，其中，表示第个样本的多模态融合特征属于第j个聚类的概率： 10 步骤2.4.3，所述聚类模块利用式11计算辅助目标分布，其中，第个样本的多模态融合特征属于第j个聚类的目标概率： 11 步骤2.4.4，所述聚类模块利用式12计算软分配分布和辅助目标分布之间的KL散度，并作为聚类损失函数： 12 步骤2.4.5，所述聚类模块利用式13计算第个样本的聚类结果，并作为第个样本的预测故障标签： 13 式13中，表示输出函数取最大值时对应的索引值； 步骤3，训练多模态无监督网络，并优化网络参数： 步骤3.1，利用式14计算多模态无监督网络的总计损失函数： 14 式14中，表示平衡不同损失函数影响的三个超参数； 步骤3.2，以最小化总计损失函数为目标，通过反向传播算法和自适应矩估计优化算法对多模态无监督网络的参数进行优化更新，直到迭代次数达到设置上限为止，结束训练，从而得到训练好的多模态无监督网络模型，用于对机械设备进行故障诊断。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。