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！

龙图腾网获悉南京理工大学申请的专利一种基于对比自监督学习的时间序列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：CN116070128B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202211568464.3，技术领域涉及：G06F18/24；该发明授权一种基于对比自监督学习的时间序列设备故障诊断方法是由李骏;代雅娇;梅镇;韦康设计研发完成，并于2022-12-08向国家知识产权局提交的专利申请。

本一种基于对比自监督学习的时间序列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对比自监督学习的时间序列设备故障诊断方法，方法为：首先对无标签输入数据进行预处理，对提取的特征表示进行聚类，生成样本实例间正负样本对，并计算实例间聚类对比损失；其次对输入数据增强生成两个不同但相关的视图，根据时间对应关系生成正负样本对，并计算实例内时间对比损失；然后两个视图通过掩码预测任务生成正负样本对，并计算实例内上下文对比损失；最后计算实例间聚类对比损失、实例内时间对比损失以及实例内上下文对比损失的加权和作为模型的损失函数来训练模型，利用编码器和分类器得到最终的故障诊断结果。本发明解决了标签难获取、无标签、标签不足的问题，提高了设备故障诊断的精确度。

本发明授权一种基于对比自监督学习的时间序列设备故障诊断方法在权利要求书中公布了：1.一种基于对比自监督学习的时间序列设备故障诊断方法，其特征在于，包括以下步骤： 步骤1、对无标签的输入数据进行预处理，然后进行特征提取并对提取的特征进行聚类，根据聚类结果选择样本实例间正负样本对，并计算实例间聚类对比损失； 所述计算实例间聚类对比损失，具体如下： 采用聚类原型来计算对比损失，原型是聚类后每个簇的中心，即簇中所有样本的平均值，正对由一个实例与其相关的原型即实例所在簇的中心组成，负对由实例与不相关的原型即其他簇的中心组成，给定实例z的一个正对z,p，聚类对比损失计算公式为： ； 其中，是指聚类对比损失，是实例z所在簇的原型，是实例z的一组负对，是与实例不相关的簇的原型，和分别是与、对应的温度系数； 步骤2、对无标签的输入数据进行数据增强，生成两个不同但相关的视图，根据两个视图的时间对应关系选择正负样本对，并计算实例内时间对比损失； 所述的计算实例内时间对比损失，具体如下： 通过计算样本对之间的余弦相似度，最小化正样本对之间的距离、最大化负样本对之间的距离，计算公式如下： ； 其中表示x和y之间的余弦相似度；是指示函数，i=j时取值为0，i≠j时取值为1；是一个上下文样本；是的正样本；代表一个正样本对；是的负样本；是温度系数； 步骤3、基于步骤2的生成视图，通过掩码预测任务选择正负样本对，并计算实例内上下文对比损失； 所述的计算实例内上下文对比损失，具体如下： 计算最小化正样本对之间点积、最大化负样本对之间的点积，计算公式如下： ； ； 其中，、是指上下文对比损失，是增强1未掩码时间段的数据通过自回归函数生成的预测值；是增强2未掩码时间段的数据通过自回归函数生成的预测值；是增强1掩码时间段的真实值；是增强2掩码时间段的真实值；是线性映射函数，将预测值映射到与真实值相同的维度；K是样本个数，k是掩码的长度，1kK；是指负样本的集合；、分别是两个增强的负样本集合中的元素；上标1和2分别代表不同的两个视图； 步骤4、基于步骤1计算得到的实例间聚类对比损失、步骤2计算得到的实例内时间对比损失以及步骤3计算得到的实例内上下文对比损失进行求和，作为整个模型的最终损失函数来训练模型； 步骤5、使用步骤4得到的预训练模型，利用编码器和分类器得到最终的故障诊断结果。

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南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200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。