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！

龙图腾网恭喜浙江大学;华东交通大学;浙江省能源集团有限公司申请的专利一种复杂场景多源异构数据采集与监测诊断方法及装置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：CN119577343B 。

龙图腾网通过国家知识产权局官网在2025-04-11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：202510114942.0，技术领域涉及：G06F18/10；该发明授权一种复杂场景多源异构数据采集与监测诊断方法及装置是由赵春晖;齐祥龙;赵刘嘉毅;陆定涛;李宝学;李清毅;刘盛辉;朱松强;张国民;纪培栋设计研发完成，并于2025-01-24向国家知识产权局提交的专利申请。

本一种复杂场景多源异构数据采集与监测诊断方法及装置在说明书摘要公布了：本发明公开了一种复杂场景多源异构数据采集与监测诊断方法及装置，该方法包括：采集待监测诊断对象的多源异构数据，并对其进行数据清洗、数据预处理、特征提取与融合，以获取特征数据集；利用特征数据集和数据清洗后的数据，构建并训练基于输入输出驱动的因果解耦表征学习模型，以用于提取待监测诊断对象的解耦表征，推断变量间因果关系，其中因果解耦表征学习模型包括外源控制转化网络和双视角演化建模与因果推断网络，将训练好的因果解耦表征学习模型作为异构信号监测诊断模型，用于对待监测诊断对象进行状态监测、诊断其故障的根本原因。本发明可一体化实现数据采集、状态监测和故障原因诊断，节省成本，具有广阔的应用前景。

本发明授权一种复杂场景多源异构数据采集与监测诊断方法及装置在权利要求书中公布了：1.一种复杂场景多源异构数据采集与监测诊断方法，其特征在于，包括以下步骤：1采集待监测诊断对象的多源异构数据；2对采集到的多源异构数据进行数据清洗、数据预处理、特征提取与融合，以获取特征数据集；3利用步骤2得到的特征数据集和数据清洗后的数据，构建基于输入输出驱动的因果解耦表征学习模型，以用于提取待监测诊断对象的解耦表征，推断变量间因果关系，其中，所述因果解耦表征学习模型包括外源控制转化网络和双视角演化建模与因果推断网络；并训练该因果解耦表征学习模型，训练过程中，以最小化总损失函数为优化目标，调整模型参数，将训练好的因果解耦表征学习模型作为异构信号监测诊断模型，用于对待监测诊断对象进行状态监测、诊断其故障的根本原因；所述外源控制转化网络具体包括：综合利用特征数据集与数据清洗后的离散信号数据和连续信号数据，通过构建一个离散输入和连续控制嵌入之间的条件可逆的映射充分建模输入输出系统的外源响应；利用特征数据集作为外源控制转化网络的条件输入，以恢复连续控制嵌入用于预测系统输入响应，同时使连续控制嵌入重构回原始的离散输入；该外源控制转化网络引入控制条件参照机制，将内部观测作为条件输入指导连续控制嵌入的学习，表达有限离散数值在不同系统运行状态下表现的不同控制影响；所述双视角演化建模与因果推断网络具体包括：分开建模自驱演化和控制演化过程，以获得蕴含不同演化信息的解耦表征；设计联合预测与独立预测网络，利用两种演化解耦表征，分别预测演化耦合后与解耦后的内部变量未来时刻取值，根据预测值与真实值的残差迭代更新网络参数，推断变量间的因果关系；所述步骤3具体包括以下步骤：3.1将数据清洗后的数据xn按照离散设定值信号和内部连续信号进行划分，得到其中表示全长为T的混合时间序列，分别包括p个观测输出和q个外部输入；输出变量X＝[x1,x2,...,xp]都是连续的输出值，输入变量Y＝[y1,y2,...,yq]都是离散的设定值，x1表示第1个连续的输出值，x2表示第2个连续的输出值，xp表示第p个连续的输出值，y1表示第1个离散的输入变量，y2表示第2个离散的输入变量，yq表示第q个离散的输入变量；3.2给定长度为L、变量个数为q的离散输入序列片段Y＜t∈SL×q，在C控制条件下通过外源控制转化网络得到q个离散变量的连续控制嵌入其中S是有限集，C条件是特征数据集卷积获得的条件向量，D是控制嵌入的维数，t表示该序列片段在整个序列中的位置，t∈[L+1,T]；将1×1卷积和仿射变换级联的网络作为外源控制转化网络的结构组成，其正向过程由离散输入获得连续控制嵌入，其表达式为： 其中，i1，i2和o1，o2分别是仿射变换{exps1,exps2,t1,t2}的输入和输出向量，exp·表示底数为自然对数的指数函数，s1,s2,t1,t2表示仿射变换中的4个子神经网络，Conv1×1·表示1×1卷积过程；外源控制转化网络的输入和输出维数保持为D，i1,i2,o1,o2的维数是D的一半；⊙表示逐元素的乘法；表示引入的一组多维潜在随机变量；外源控制转化网络的反向过程中，仿射变换中的各个子神经网络的输入保持不变，U＜t通过仿射变换和1×1卷积变换的逆过程计算重构Y＜t和Z＜t，其表达式为： 其中，和分别为Y＜t和Z＜t的重构，ε是加性噪声；3.3外源控制转化网络的正向和逆向过程共享网络的参数，用θ表示；交替进行正向和逆向过程计算，累积θ的梯度，然后用该梯度来更新参数；其中，正向过程提取控制嵌入用于后续预测，逆向过程重构外部输入Y和隐变量Z，对于Y和Z，分别计算均方误差和最大平均差异将均方误差和最大平均差异之和作为重构损失其表达式为： 其中，核函数h为常数，zi＜t和分别是Z＜t和的第i行向量；3.4双视角演化建模与因果推断网络包括自驱动演化网络和控制演化网络，自驱动演化网络和控制演化网络均采用多层感知机作为主干网络；针对p个内部变量的不同演化规律，建立了p对具有非共享参数的结构相似网络；每个多层感知机均有一个学习的p维自驱动演化软掩码向量或q维控制演化软掩码向量以用于提取稀疏的因果关系；自驱动演化网络和控制演化网络的时滞输入首先被对应的和掩盖，然后通过多层感知机映射到特征空间中，捕获相应的自驱动预测特征Fsd和受控预测特征Fct，表示为： 其中，Fsdt和Fctt分别表示当前时刻t的自驱动预测特征和受控预测特征；表示在时刻t之前的L个历史时刻内变量的观测值；表示L个历史时刻输入记录的外部控制变换得到的控制嵌入；φsd和φct分别是自驱动演化网络和控制演化网络的网络参数；表示第j个自驱动演化网络，表示第j个控制演化网络；通过添加惩罚损失以利用学习到的稀疏掩码向量来揭示因果关系，该惩罚损失的表达式为： 其中，λsd是惩罚损失中的超参数，λct是惩罚损失中的超参数；3.5设计一个判别器用来区分自驱动预测特征Fsd和控制预测特征Fct，判别器的输入流是自驱动预测特征Fsd和控制预测特征Fct的有序拼接，得到拼接后的正序特征Fpost和负序特征Fnegt，其表达式分别为： 其中，M表示Fsd和Fct的维度；利用判别器的输入流计算判别器训练的交叉熵损失，表示为： 其中，表示判别损失函数，是特征样本属于正序而不是负序的概率估计；基于判别器训练的交叉熵损失，设计一个解耦惩罚损失来近似联合分布qFsd,Fct和边际分布的乘积qFsdqFct的KL散度，其计算公式为： 其中，qFsd和qFct分别表示自驱动预测特征和受控预测特征的样本分布，KL表示KL散度；3.6将自驱动预测特征Fsd和控制预测特征Fct拼接后，输入至以ResNet为骨架的联合预测网络中，获得内部变量当前时刻t的联合预测结果；假定加入外源前后t时刻内部变量的取值变化为δt，那么解耦后的系统状态表示为： 其中，Xt表示加入外源前t时刻部变量的取值；将自驱动预测特征Fsd和控制预测特征Fct分别输入至以ResNet为骨架的独立预测网络中，分别获得和δt的预测估计值，经过叠加获得最终内部变量预测值；令h1和h2分别表示联合预测网络和独立预测网络代表的函数，ψ1,ψ2作为两个函数对应的网络参数，则预测损失函数的计算公式为： 其中，和分别为联合预测损失和独立预测损失；Con·,·表示将两个向量连接为一个新向量；ψ1是h1的参数，ψ2是h2的参数；3.7根据重构损失惩罚损失解耦惩罚损失预测损失函数计算总损失函数，表示为： 其中，表示总损失函数，λ表示的权重参数；以最小化总损失函数为优化目标，调整外源控制转化网络、双视角演化建模与因果推断网络、联合预测网络、独立预测网络以及判别器的参数，以获取训练好的因果解耦表征学习模型，并将其作为异构信号监测诊断模型，以用于后续步骤中对待监测诊断对象进行状态监测、诊断其故障的根本原因；4将正常工况数据输入至异构信号监测诊断模型中，得到对应的预测值，根据正常工况数据对应的预测值计算平方预测误差的控制限；将实时采集的待测试的数据输入异构信号监测诊断模型获得对应的预测值，结合真实值计算平方预测误差，并根据计算出的平方预测误差和平方预测误差的控制限判断是否超限，以判断故障诊断结果；若故障诊断结果判断为待监测诊断对象发生故障时，则利用故障数据和异构信号监测诊断模型获得变量的因果图，推测故障发生的根本原因。

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浙江大学;华东交通大学;浙江省能源集团有限公司，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。