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！

龙图腾网获悉湖南工程学院申请的专利一种基于最小类别混淆的机电装备故障跨域诊断方法与系统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：CN121765356B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202610245524.X，技术领域涉及：G06F18/213；该发明授权一种基于最小类别混淆的机电装备故障跨域诊断方法与系统是由张细政;曾力京;卢张宇;周海彬;邹嘉怡;廖俊羽;刘若源;王清;金圣炜;何海华;蒋卓林设计研发完成，并于2026-03-02向国家知识产权局提交的专利申请。

本一种基于最小类别混淆的机电装备故障跨域诊断方法与系统在说明书摘要公布了：一种基于最小类别混淆的机电装备故障跨域诊断方法与系统，其中诊断方法包括：选取外部公开数据集或有标签历史数据作为源域数据集，然后采集待诊断机电装备的实时运行数据，并将待诊断机电装备的实时运行数据作为目标域数据集；构建故障诊断模型；利用预处理之后的源域数据集和目标域数据集对故障诊断模型进行联合对抗训练，训练完成后进行轻量化处理以及参数固化，得到最终的故障诊断模型；将最终的故障诊断模型部署至边缘计算设备端，利用最终的故障诊断模型对预处理后的机电装备实时故障数据进行诊断，得到诊断结果。本发明采用多尺度特征提取器进行多尺度特征提取和融合，提高了特征提取能力，避免了关键特征的遗漏。

本发明授权一种基于最小类别混淆的机电装备故障跨域诊断方法与系统在权利要求书中公布了：1.一种基于最小类别混淆的机电装备故障跨域诊断方法，其特征在于，包括如下步骤： S1、选取同类机电装备故障诊断领域的外部公开数据集或有标签历史数据作为源域数据集，采集待诊断机电装备的实时运行数据，并将待诊断机电装备的实时运行数据作为目标域数据集，然后对源域数据集和目标域数据集进行预处理；目标域数据集包括高频振动加速度传感器采集的振动幅值数据以及温度传感器采集的温度数值； S2、构建故障诊断模型，故障诊断模型包括多尺度特征提取器、故障分类器、条件域判别器及最小类别混淆模块；其中，多尺度特征提取器、故障分类器、条件域判别器三者相互连接，故障分类器与最小类别混淆模块连接； S3、利用预处理之后的源域数据集和目标域数据集对故障诊断模型进行联合对抗训练，训练完成后，对训练后的故障诊断模型进行轻量化处理，并将轻量化处理后的故障诊断模型的参数固化，得到最终的故障诊断模型； S4、将最终的故障诊断模型部署至智能诊断系统的边缘计算设备端，利用最终的故障诊断模型对预处理后的机电装备实时故障数据进行诊断，得到诊断结果； 所述多尺度特征提取器包括依次连接的卷积层、多个并行的卷积处理分支、特征融合与通道注意力机制；其中，每个并行的卷积处理分支的卷积核大小不同； 所述故障分类器由级联的两层全连接层构成； 所述条件域判别器包括依次连接的融合模块、梯度反转层以及域判别器； 所述S3具体包括如下步骤： S31、将预处理之后的源域数据集中有标签样本以及预处理之后的目标域数据集无标签样本输入到故障诊断模型中； S32、预处理之后的源域数据集中有标签样本经过多尺度特征提取器输出深层特征向量，将深层特征向量输入到故障分类器，输出故障类别的预测概率分布，然后依据故障类别的预测概率分布计算源域分类损失； S33、预处理之后的目标域数据集无标签样本经过多尺度特征提取器输出深层特征向量，将深层特征向量输入到故障分类器，输出故障类别的预测概率分布； S34、将深层特征向量、故障类别的预测概率分布输入到条件域判别器的融合模块中，得到联合信息变量；将深层特征向量、故障类别的预测概率分布输入到条件域判别器的融合模块中，得到联合信息变量； S35、然后将联合信息变量、联合信息变量分别输入到域判别器中，并依据结果计算对抗损失； S36、最小类别混淆模块计算目标域数据集中样本的类别相关性矩阵，依据类别相关性矩阵并利用最小类别混淆模块计算最小类别混淆损失； S37、然后依据源域分类损失、对抗损失、最小类别混淆损失计算总目标函数； S38、通过标准的反向传播算法最小化总目标函数，得到训练后的故障诊断模型； S39、对训练后的故障诊断模型进行轻量化处理，轻量化处理是通过结构剪枝去掉条件域判别器、最小类别混淆模块，仅保留多尺度特征提取器、故障分类器，得到轻量化处理后的故障诊断模型，对轻量化处理后的故障诊断模型的参数进行固化，得到最终的故障诊断模型。

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湖南工程学院，其通讯地址为：411104 湖南省湘潭市岳塘区福星东路88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。