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！

龙图腾网获悉北京理工大学长三角研究院(嘉兴);北京理工大学;山西云行科技有限公司申请的专利基于正交空间异构映射的不完美信息条件下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：CN120873531B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202511384031.6，技术领域涉及：G06F18/21；该发明授权基于正交空间异构映射的不完美信息条件下故障诊断方法是由伊枭剑;滕振鹏;王彪;张景景设计研发完成，并于2025-09-26向国家知识产权局提交的专利申请。

本基于正交空间异构映射的不完美信息条件下故障诊断方法在说明书摘要公布了：本发明公开了基于正交空间异构映射的不完美信息条件下故障诊断方法，涉及动力系统关键部件故障诊断技术领域。提出了基于交叉域注意力机制的分层融合多维故障特征提取网络，用于提取故障集中完整数据集的特征，形成多维特征向量编码器。对于不完整与缺失数据，提出了嵌入多维特征向量的增强型正交空间异构网络，通过引入多维特征向量编码器与恒等映射残差块，并通过集成故障特征频率与生成对抗的重构损失函数来优化数据重构过程，增强了数据的完整性。对于缺失与错误标签，提出了基于空间差异化的标签自修正策略，该策略不仅考虑了不同故障类型与不同传感器之间的空间信息特征匹配，还提出了空间差异化特征频率投影，从而提高数据标签的准确性。

本发明授权基于正交空间异构映射的不完美信息条件下故障诊断方法在权利要求书中公布了：1.基于正交空间异构映射的不完美信息条件下故障诊断方法，其特征在于，包括： S1：对故障数据集进行完整性判断，分为完整数据集、不完整数据集和缺失数据集； S2：将完整数据集输入至交叉域注意力机制网络，交叉域注意力机制网络的输出输入至分层融合多维故障特征提取网络，经处理后形成数据特征编码器输出； S3：将不完整数据集、缺失数据集以及数据特征编码器的输出输入至嵌入多维生成器的增强型正交空间异构网络，对数据缺失和不完整问题进行高效数据重构，得到重构完整数据集，重构完整数据集与完整数据集共同构成标准数据集，标准数据集再次输入基于交叉域注意力机制网络的分层融合多维故障特征提取网络，以生成不同故障类型与传感器相关的数据特征； S4：对标准数据集经处理后得到的数据特征进行空间信息位置编码，形成不同故障类型与传感器的空间相对位置编码体系； S5：提出基于空间差异化的标签自修正策略，通过利用不同故障类型与传感器的空间相对位置编码体系，对不同故障类型与传感器进行空间信息特征匹配，对匹配后的相同故障类型与传感器信息进行空间特征投影；最终得到故障分类结果； S3中嵌入多维生成器的增强型正交空间异构网络包括混合式生成器与正则化判别器两部分： 混合式生成器利用循环神经网络模型捕捉数据的时间序列特征，结合变分自编码器将数据映射到潜在空间并生成新数据，再通过SE模块和恒等映射残差连接优化特征表示与网络训练； 通过循环神经网络模型的隐藏状态进行初始化： ; 其中，为循环神经网络模型RNN的初始隐藏状态，为循环神经网络模型的输入参数，表示对权重矩阵初始化； 循环神经网络模型以不完整数据集、缺失数据集和数据特征编码器的输出作为输入，进行递归处理，并利用前一时刻的隐藏状态和当前时刻的潜在变量计算当前时刻的隐藏状态： ; 其中，表示隐藏层的权重矩阵，负责对前一时刻隐藏状态进行加权变换，表示输入层的权重矩阵，用于对当前时刻潜在变量进行加权；是ReLU激活函数，为循环神经网络模型的参数，为偏置项； 通过递归计算，循环神经网络模型逐步捕捉数据的时间序列特征,通过求和操作整合时间序列信息，得到作为循环神经网络模型生成的输出结果： ; 其中，为整合后的时间序列信息，N表示循环神经网络处理的时间步总数； 将经过循环神经网络模型处理后的数据，通过变分自编码器映射到潜在空间Z，并利用解码器从潜在空间生成新的数据，变分自编码器的运算过程如下： ; 其中，表示变分自编码器的变量及参数集合，是潜在空间的变量，代表输入数据经编码后在潜在空间的特征表示，是变分自编码器中的参数集合，表示变分自编码器的编码器部分的权重，表示变分自编码器中编码器部分的偏置；是采样噪声，由标准正态分布生成，表示非线性激活函数，表示解码器的权重，表示解码器的权重和偏置，用于将潜在空间的变量m解码生成新的数据； 生成的数据特征图进入SE模块，SE模块通过一个全连接层，使用加权系数调整每个通道的重要性，使模型更聚焦关键特征，公式为： ; 其中,表示对输入特征图进行处理，通过计算得到经过通道权重调整后的特征图，表示当前时刻生成器的输出，表示SE模块的参数集合，表示SE模块中全连接层权重矩阵，是偏置项，表示对输入特征进行全局平均池化操作,S是Sigmoid激活函数； 经过SE模块处理后的特征，通过恒等映射残差连接进一步优化，表达式为： ； 其中，表示恒等映射残差，是上一时刻生成器的输出，它通过噪声和输入的特征生成数据，是对应网络层的参数； 在正则化判别器中，特征编码器对不完整数据集和缺失数据集进行编码，得到特征表示，通过加权求和的方式得到最终的特征编码表示： ； 其中：表示不同特征编码器生成的特征表示，是每个特征编码器的权重系数，表示不同特征在判别中的重要性,是特征编码器的总数，表示最终的特征编码表示,为所有相关参数集合； 正则化判别器对不完整数据集、缺失数据集进行梯度计算，梯度计算式：； 其中，表示对输入数据求梯度，是在梯度计算相关操作中的特征表示函数，是对应参数； 通过sigmoid激活函数对输入的特征进行激活，得到真假概率： ； 其中，是正则化判别器的输出，表示数据为真实数据的概率，S是Sigmoid激活函数，确保输出值在0和1之间，是正则化系数，用于控制梯度的规范化，是超参数，用于控制正则化项的大小。

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理工大学长三角研究院(嘉兴);北京理工大学;山西云行科技有限公司，其通讯地址为：314018 浙江省嘉兴市秀洲区油车港镇东方北路1940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。