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！

龙图腾网获悉大连理工大学;中国航发哈尔滨轴承有限公司申请的专利基于自监督学习的多模态信息融合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：CN121561647B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202610077488.0，技术领域涉及：G06F18/2415；该发明授权基于自监督学习的多模态信息融合轴承故障诊断方法是由费中阳;战利伟;李正辉;丁培轩;单艺轩;孙希明设计研发完成，并于2026-01-21向国家知识产权局提交的专利申请。

本基于自监督学习的多模态信息融合轴承故障诊断方法在说明书摘要公布了：本发明属于航空发动机状态监测与智能故障诊断技术领域，公开一种基于自监督学习的多模态信息融合轴承故障诊断方法。首先通过掩码重构自监督预训练，从无标签的多模态信号中提取对掩码扰动不敏感的稳定特征表示，并利用指数移动平均算法动态更新各模态特征基准点；在下游故障诊断任务中，构建包含预训练编码器、单模态分类器及融合分类器的多模态联合决策模型，通过基于合作博弈Shapley值的贡献度计算，结合模态特征与基准点的偏离程度，实现多模态决策的自适应加权融合。本发明有效降低了深度神经网络对故障标注数据的依赖，并通过动态融合机制提升了诊断系统在多模态信号诊断场景下的准确性与鲁棒性，适用于样本标签资源受限的工业场景。

本发明授权基于自监督学习的多模态信息融合轴承故障诊断方法在权利要求书中公布了：1.一种基于自监督学习的多模态信息融合轴承故障诊断方法，其特征在于，包括以下步骤：采集来自同一台发动机的轴承在不同故障下的振动、声学、温度、驱动电流信号，轴承的故障类型为内圈故障IF与外圈故障OF，无故障轴承记为健康N； 步骤1，基于数据重构的单模态自监督预训练； 步骤2，多模态联合决策故障诊断下游任务； 对于包含种模态数据输入的故障诊断任务，构建的多模态联合决策故障诊断模型由来自种模态的冻结参数的预训练的特征编码器、对应种模态的需要参数微调的单模态分类器，一个需要参数微调的特征融合分类器及一个权重分配模块组成，预训练编码器和单模态分类器的数量由模态数量决定； 步骤2的具体实现过程如下： 步骤2.1，特征提取； 对于模态，预训练的特征编码器采用经过模态数据掩码和数据重构任务预训练的卷积神经网络，其表达为： 其中，为模态的输入信号，为预训练的特征编码器提取的模态特征向量； 在卷积神经网络的微调阶段，所有预训练的特征编码器的参数被冻结，不参与梯度更新； 步骤2.2，特征融合分类与模态集成分类； 特征融合分类器接收多个模态特征向量的拼接，并执行分类预测： 其中，表示融合特征的类别预测概率值向量； 对于模态，单模态分类器采用全连接网络，依据模态特征向量对故障状态执行分类预测，表达为： 其中，表示模态的故障类别预测概率值向量； 基于合作博弈论的Shapley值计算模态对集成决策的贡献度： 其中，为所有模态的集合，为模态融合顺序，为模态融合顺序集合，为模态融合顺序中，比模态先加入的模态融合顺序集合，为模态的边际贡献，表示的价值函数，具体表示为： 其中，用于量化各模态信号与模态基准的偏离程度，为模态在自监督预训练过程中获得的最终模态基准点； 对合作博弈论的Shapley值进行归一化，得到最终的模态贡献度权重： 利用模态贡献度权重，计算加权集成概率向量： 步骤2.3，计算模型损失； 根据类别预测值计算交叉熵损失，获得单模态分类损失、融合分类损失和集成分类损失，具体计算方式为： 其中，为真实标签向量； 总损失函数为单模态分类损失、融合分类损失与集成分类损失的和： 。

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大连理工大学;中国航发哈尔滨轴承有限公司，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。