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！

龙图腾网获悉北京航空航天大学申请的专利释放源数据的机械设备无监督迁移智能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：CN116026569B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202211643639.2，技术领域涉及：G01M13/00；该发明授权释放源数据的机械设备无监督迁移智能故障诊断方法是由林京;焦金阳;李豪;张天设计研发完成，并于2022-12-20向国家知识产权局提交的专利申请。

本释放源数据的机械设备无监督迁移智能故障诊断方法在说明书摘要公布了：本发明提供一种释放源数据的机械设备无监督迁移智能故障诊断方法，其包括：S1、采集不同工况下的设备振动监测数据；S2、划分为源领域训练样本集以及目标领域测试样本集；S3、进行数据标准化；S4、建立释放源数据的无监督迁移故障诊断模型；S5、采集机械设备的振动监测数据，输入至无监督迁移故障诊断模型中，实现机械健康状态辨别。其引入核范数最大化来进一步鼓励预测输出的可辨性和多样性，与自训练机制相互作用来提高源模型对目标域的迁移性能，实现释放源数据条件下对无标签目标样本的健康状态识别。本发明考虑到实际工业场景中昂贵的数据存储和传输以及隐私保护的成本，使得无监督迁移在兼备跨域诊断能力的同时，释放模型迁移过程中对源领域数据的需求。

本发明授权释放源数据的机械设备无监督迁移智能故障诊断方法在权利要求书中公布了：1.一种释放源数据的机械设备无监督迁移智能故障诊断方法，其特征在于：其包括以下步骤： S1、针对具有多种健康状态的旋转机械，采集不同工况下的设备振动监测数据，使采集的数据蕴含不同的健康状态信息，通过监测数据构造样本数据空间及其对应标签； S2、将步骤S1中不同工况的设备振动监测数据划分为源领域训练样本集以及目标领域测试样本集； S3、对步骤S2中获得的源领域训练样本集和目标领域测试样本集的样本数据进行数据标准化，获得标准化后的源领域训练样本集和目标领域测试样本集； S4、建立释放源数据的无监督迁移故障诊断模型，其包括以下子步骤： S41、构建无监督迁移诊断模型，所述无监督迁移诊断模型包括特征编码模块和分类模块，其中，d为编码后的特征维数，K为总类别数；特征编码模块包括多层卷积模块与全连接层，分类模块包括全连接层与非线性激活层； S42、生成源模型，利用有监督学习范式生成源模型，并引入标签平滑交叉熵作为源模型训练的损失函数； 步骤S42中的损失函数为： ； ； 式中，为源领域样本，为源领域样本的对应标签；表示softmax函数，表示K维非归一化概率向量的softmax输出中的第k个元素；当且仅当时，为1，否则，为0；是平滑参数，默认值为0.1；表示源模型，为学习到的目标函数，以推理； S43、利用类原型生成伪标签，其具体包括以下子步骤： S431、利用下式计算目标领域的类原型： ； 式中，表示softmax输出中的第k个元素，表示目标领域空间；表示上一个迭代中已学习到的目标模型，该目标模型由源模型初始化获得； S432、通过距离测量获得初始伪标签： ； 式中，为初始伪标签； S433、使用初始伪标签更新类原型，对初始伪标签进行优化，获得优化后伪标签，具体过程如下： ； 其中，当参数为真时，指示函数等于1；为初始伪标签；表示目标领域样本；表示目标领域样本被预测的类别；为目标模型中的分类器； S434、引入归一化对称交叉熵，减少伪标签的噪声标签干扰： 归一化对称交叉熵的公式为： ； 其中右侧表示归一化交叉熵及其反向表示，归一化交叉熵具体为： ； 式中，为预测概率，即；表示伪标签； S435、基于步骤S434的归一化对称交叉熵，形成如下自训练目标损失函数： ； S44、利用输出矩阵F范数最大化提供可靠的目标输出预测判别能力，并添加核范数最大化损失函数； S45、利用步骤S3中获得的标准化后的目标领域训练样本集对所述无监督迁移故障诊断模型进行模型迁移训练，固定分类模块的网络参数，结合步骤S43中的自训练目标损失函数与步骤S44中的核范数最大化损失函数，使用随机梯度下降法优化模型特征提取模块，迭代至模型收敛，完成源模型迁移； S5、采集机械设备的振动监测数据，输入至无监督迁移故障诊断模型中，实现机械健康状态辨别。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。