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！

龙图腾网获悉东北大学申请的专利一种基于多级特征对齐的小样本跨域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：CN120611234B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202510627892.6，技术领域涉及：G06F18/241；该发明授权一种基于多级特征对齐的小样本跨域故障诊断方法是由张永超;范才子;任朝晖;丁进良设计研发完成，并于2025-05-15向国家知识产权局提交的专利申请。

本一种基于多级特征对齐的小样本跨域故障诊断方法在说明书摘要公布了：本发明提供一种基于多级特征对齐的小样本跨域故障诊断方法，包括：采集源域与目标域下的旋转机械监测数据，构建目标域样本稀缺的跨域小样本故障诊断任务数据集；构建结合多头自注意力机制与归一化策略的扩散模型，生成具有目标域特征分布的增强样本；搭建融合源域、目标域及生成样本的共享特征提取网络，实现诊断特征的统一建模；设计联合损失函数，包括源域分类损失、双MMD分布对齐损失、跨域三元组损失和增强一致性正则项，构建多级特征对齐机制，实现目标域小样本情况下故障特征迁移和精准诊断。本发明方法在目标域数据稀缺情况下能有效迁移源域诊断知识，增强故障特征的判别能力和模型的跨域适应性，适用于复杂工况下的旋转机械智能诊断任务。

本发明授权一种基于多级特征对齐的小样本跨域故障诊断方法在权利要求书中公布了：1.一种基于多级特征对齐的小样本跨域故障诊断方法，其特征在于，包括： S1、采集源域与目标域下的旋转机械监测数据，构建目标域样本稀缺的跨域小样本故障诊断任务数据集； S2、构建结合多头自注意力机制与归一化策略的扩散模型，生成具有目标域特征分布的增强样本；其中，基于改进U‑Net构建扩散模型，扩散模型包括前向过程、反向过程和噪声预测；噪声预测中，使用改进U‑Net网络架构来预测反向过程中的噪声分布，包括： 在编码器和解码器中引入多头注意力机制，使模型捕捉到信号中远距离的依赖关系，多头注意力机制模块包括一维卷积、批归一化和多头注意力机制； S3、搭建融合源域、目标域及目标域生成样本的共享特征提取网络，实现诊断特征的统一建模； S4、设计联合损失函数，包括源域分类损失、双MMD分布对齐损失、跨域三元组损失和增强一致性正则项，构建多级特征对齐机制，实现目标域小样本情况下故障特征迁移和精准诊断，具体包括： S41、为了确保模型准确识别源域带标签样本中的类别特征，学习原始数据中的故障差异特征，引入交叉熵分类损失函数； S42、MMD对齐策略的基础上，扩展为双重对齐目标：一方面，对齐源域样本与真实目标域样本之间的整体特征分布；另一方面，对齐源域样本与扩散模型生成的目标样本之间的分布，确保生成数据能真实反映目标域特性，具体的数学表达式为： 其中，表示将输入特征映射到再生核希尔伯特空间中，表示源域样本，表示目标域样本，表示目标域生成样本，表示源域样本数量，表示目标域样本数量，表示生成的目标域样本数量； S43、为增强跨域样本在特征空间中的类内紧凑性与类间可分性，设计跨域三元组损失函数，数学表达式如下： 其中，锚点样本、正样本与负样本来自源域样本或目标域样本，正样本与锚点样本属于同一类别，负样本则来自于不同类别，函数表示样本的特征提取表示，表示锚点的特征表示，表示正样本的特征表示，表示负样本的特征表示，表示边界间隔超参数，用于控制正负样本之间的最小区分度； S44、引入一致性正则化损失机制，用于约束目标域原始样本与其增强样本在特征提取结果上的预测一致性，一致性正则化损失函数的表达式如下： 其中，表示目标域原始样本的增强样本； S45、在优化过程中引入一个动态权重调节参数，用于逐步控制伪标签样本对应损失项的影响力，参数的调整函数定义如下： 其中，表示当前训练轮次，表示总训练轮次，表示增长速率控制因子，取值为10； S46、跨域诊断网络通过多项损失函数的组合优化，实现了在目标域数据有限的条件下的高效特征对齐与判别性能提升，整体损失函数表达式如下： 其中，表示MMD损失项的权重调节参数，表示三元组损失和一致性正则损失组合项的权重调节参数，表示交叉熵分类损失函数，表示双重对齐目标损失函数，表示跨域三元组损失函数，表示一致性正则化损失函数。

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东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路3号巷11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。