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！

龙图腾网恭喜北京化工大学申请的专利一种基于数据增强和加权域适应的开集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：CN114863117B 。

龙图腾网通过国家知识产权局官网在2025-06-03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：202210400739.6，技术领域涉及：G06V10/40；该发明授权一种基于数据增强和加权域适应的开集故障诊断方法是由王华庆;徐智涛;宋浏阳设计研发完成，并于2022-04-17向国家知识产权局提交的专利申请。

本一种基于数据增强和加权域适应的开集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数据增强和加权域适应的开集故障诊断方法。本发明将设备不同工况下采集到数据进行数据增强后转换为二维图片样本，联合基于加权域适应网络模型实现开集故障识别。其包括以下步骤：1将采集到的原始数据进行归一化处理并进行重叠采样后，将数据转换为二维图片作为模型的输入；2搭建加权域适应模型，包含特征提取、加权和分类模块；3特征提取模块提取样本特征；4源域特征通过分类模块和加权模块计算损失；5目标域特征通过加权模块计算与源域的相似性，为非共享类样本分配小权重；6通过每次迭代所得损失，反向传播至模型更新参数。当迭代至最大次数时，确定网络模型用以开集故障诊断。

本发明授权一种基于数据增强和加权域适应的开集故障诊断方法在权利要求书中公布了：1.一种基于数据增强和加权域适应的开集故障诊断方法，其特征在于：该方法将不同工况下采集到的数据进行归一化处理以降低异常值的影响，并利用重叠采样以增加样本中包含的故障特征信息，最后将数据转换为二维图片作为模型的输入，以发挥神经网络在图片特征提取和识别的优势；提出一种加权域适应网络模型，该模型通过特征提取模块提取源域和目标域样本高维特征，利用加权模块为相似性高的目标域样本分配较大权重以促进共享类样本间的正迁移，并在共享类与非共享类样本之间建立边界；通过损失反向传播更新模型参数实现持续训练，当迭代至最大迭代次数时，获得加权域适应开集故障诊断模型；模型的训练过程：1特征提取模块将源域和目标域样本映射至同一特征空间，提取样本的高维特征： 其中Fis、Fit表示第i个源域、目标域的高维特征；表示第i个源域、目标域样本，G表示特征提取模块；2将源域样本特征分别输入分类模块与加权模块： 其中C、W分别代表分类模块、加权模块，表示第i个源域样本在分类模块、加权模块中的输出；并分别使用标准交叉熵求出这两部分损失，用作下一次迭代前模型更新指标： 其中，ns为源域样本数量，CE表示标准交叉熵，表示第i个源域样本标签，Lc为分类模块损失，Lw为加权模块损失；3将目标域样本特征输入训练好的加权模块： 为第i个目标域样本在加权模块的输出，通过leaky-softmax函数将目标域特征转换为M类概率以度量与源域类别的相似性： 表示矩阵中第n个元素，表示第i个目标域样本被分为第n类的概率；并将概率之和作为目标域样本与源域样本的相似性，计算公式为： 其中，wi表示第i个目标域样本被分为共享类的概率，即目标域样本与源域样本的相似性；目标域样本特征通过分类模块与softmax分类器输出被识别为非共享类的概率： 其中，pi表示第i个目标域样本被识别为非共享类的概率，表示目标域特征在分类模块中输出矩阵的第j个元素；与设定的阈值t计算二元交叉熵损失，促使在共享类和非共享类样本之间建立边界，计算公式为： 其中，为第i个目标域样本的二元交叉熵损失，t值设置为0.5；在优化过程中添加权重计算损失： 其中，nt表示目标域样本的数量，Ld为总二元交叉熵损失；4网络模型通过损失反向传播更新模型，模型的训练目标如下所示： 当迭代至最大迭代次数400时，获得加权域适应开集故障诊断模型。

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北京化工大学，其通讯地址为：100029 北京市朝阳区北三环东路15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”。