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！

龙图腾网获悉中南大学申请的专利一种基于领域知识引导的少样本半监督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：CN116304836B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202310341999.5，技术领域涉及：G06F18/24；该发明授权一种基于领域知识引导的少样本半监督轴承故障诊断方法是由谢素超;李雅鑫;王嘉诚;谭鸿创;刘润达;杨凌志设计研发完成，并于2023-04-03向国家知识产权局提交的专利申请。

本一种基于领域知识引导的少样本半监督轴承故障诊断方法在说明书摘要公布了：本发明提供一种基于领域知识引导的少样本半监督轴承故障诊断方法，可实现少样本半监督轴承故障定位。基于轴承故障特征机理，融合小波包分解以及信息熵算法，提出基于领域知识引导的特征工程。将先验特征向量与基于卷积神经网络提取的一般特征向量拼接，与基于Meta‑ACON改进的注意力机制相连实现特征融合。两种特征相互补充，一方面降低卷积网络计算时间，另一方面提高识别精度。采用半监督‑自训练训练策略对基于XGBoost的分类器进行训练，为样本缺失、样本量少的工程应用提供了基础。在实例中，对所提出的方法进行了验证，在多种工况以及多种故障规格的轴承故障定位实验中，其在准确率以及识别效率上表现出优势。

本发明授权一种基于领域知识引导的少样本半监督轴承故障诊断方法在权利要求书中公布了：1.一种基于领域知识引导的少样本半监督轴承故障诊断方法，其特征在于，包括以下步骤： 步骤1，数据获取和分割；利用振动传感器从试验台或实际工作零部件上获取振动信号；采用滑动窗口从原始信号中进行分割取样； 步骤2，基于领域知识嵌入的物理特征提取，采用小波包算法对信号进行分解，基于信息熵和能量值提取分解后各层信号能量信息构成领域知识特征； 步骤3，基于深度学习网络的虚拟特征提取；利用深度卷积神经网络提取虚拟特征，建立一个含有三层卷积层、池化层、归一化层的特征提取模块； 步骤4，特征融合及故障定位分类；分别对上述特征进行归一化处理后，将特征集拼接输入改进注意力机制层，对特征进行变换以及加权；使用XGBoost取代Softmax分类层，实现故障定位； 具体方法为： 将领域知识特征和一般特征进行拼接后加入注意力块； 在进行特征拼接后输入卷积层和Batchnorm层生成中间矩阵；如式14所示: h＝δFg[catxCNN,xPrior]    14δ为Meta‑ACON激活函数，Fg代表注意力机制函数； 然后将h为注意力机制输出，将h划分为两个部分x＇和其他部分；为最大程度利用先验特征部分的原始信号信息，以及特征中临界脉冲谱部分，将x＇通过函数映射使其与XPrior通道数保持一致，并连接卷积层和Sigmoid，输出yc： g＝σ[Ffx′]     15yc后接入Flatten和L2‑Norm，与XGBoost分类连接得到分类结果； 步骤5，半监督训练策略；在进行分类训练时，采用半监督‑自训练训练策略；随机丢弃30％～50％的标签，通过迭代对分类器进行更新，实现少样本‑半监督故障定位。

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中南大学，其通讯地址为：410083 湖南省长沙市麓山南路932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。