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！

龙图腾网恭喜杭州电子科技大学申请的专利一种基于DSECJAN的智能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：CN114580288B 。

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：202210225165.3，技术领域涉及：G06F30/27；该发明授权一种基于DSECJAN的智能故障诊断方法是由何志伟;刘才明;郑骁蓉;董哲康;高明煜设计研发完成，并于2022-03-09向国家知识产权局提交的专利申请。

本一种基于DSECJAN的智能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DSECJAN的智能故障诊断方法，该方法由卷积神经网络特征提取模块、挤压和激励模块、故障分类模块、联合域适应模块组成，用于设备智能跨域故障诊断。构建一维卷积神经网络特征提取模块，然后通过挤压和激励模块对通道特征进行自适应增强或抑制，利用联合域适应对齐源域和目标域输入特征和输出标签联合分布，以实现故障智能诊断。该模型能够自适应增强对跨域诊断较重要的通道特征，并抑制一些对学习任务无效的信息。显著提高了设备故障诊断模型在目标域上的诊断准确率，解决了深度学习智能故障诊断算法在目标域上泛化能力不强的问题。

本发明授权一种基于DSECJAN的智能故障诊断方法在权利要求书中公布了：1.一种基于DSECJAN的智能故障诊断方法，其特征在于，该方法具体包括以下步骤：步骤一：按照不同工况条件将数据分成源域数据和目标域数据其中S表示源域，T表示目标域，i表示源域或目标域的第i个样本，NS表示源域样本数，NT表示目标域样本数；步骤二：构建DSECJAN智能故障诊断模型，初始化其参数；DSECJAN模型全称为深度挤压和激励卷积联合域适应神经网络，该网络包括卷积特征提取器、挤压和激励模块、故障分类器、联合域适应对齐模块；DSECJAN模型的非线性激活层均采用非线性修正单元函数RELU；采用一维卷积神经网络作为整个框架的前级特征提取模块；第一层卷积采用大于16×16的卷积核增加感受野，其余卷积层均使用3×3的卷积核，卷积特征提取器中，均采用最大池化函数；挤压和激励模块包括全局平均池化层、两个线性层、sigmoid层，线性层之间均包括非线性修正单元，挤压和激励模块尾部连接最大池化层以及一个线性层；联合域适应对齐模块采用联合最大均值分布度量来优化目标；设备智能故障诊断神经网络参数初始化采用正态分布随机初始化方法，通过Adam算法更新其参数；步骤三：用源域与目标域数据训练DSECJAN模型；具体为：先对源域和目标域数据进行预处理，然后计算卷积操作和池化操作之后的特征图，特征图表示为： 式中，Kl为第l个卷积层的卷积核，bl表示第l个卷积层的偏置，xl表示第l个卷积层的输入；特征提取器共有四个卷积层，卷积计算方法均与式1一致；然后计算挤压和激励模块输出，挤压和激励模块输出表示为： 式中，W1表示全连接层FC1的权重，W2表示全连接层FC2的权重，τ是一个控制计算成本和容量的超参数，C为通道数，N为输入特征图的长度，xconv表示挤压和激励模块的输入，xSE表示其输出，故障分类器采用交叉熵损失函数，设源域样本标签为yi∈{1,2,3,...,m}，m表示样本总类别数，则故障分类损失表示为： 式中，n表示训练时源域样本批次大小，pj表示样本被预测为第j类的概率，I是一个判断函数，如果输入为真则输出为1，否则输出0；联合域适应对齐模块的域对齐损失表示为： 式中，Px表示源域样本特征空间分布，Qx表示目标域特征空间分布，l表示最后的l层网络，是源域特征张量积的希尔伯特空间特征映射，表示倒数第l层网络的源域数据特征；除了将源域替换为目标域外，表示意思与上述类似，表示倒数第l层网络的目标域数据特征；表示一个r阶特征积向量空间，表示期望；总体损失函数由故障分类损失和域对齐损失进行加权得到，表示如下： 其中，θF，θSE，θC，θD分别表示特征提取器、挤压和激励模块、故障分类器、特征对齐块的网络参数；λ表示加权因子；根据总损失函数值优化DSECJAN模型参数，完成一次训练；采用Adam学习算法更新目标，参数更新公式如下： 式中，μ表示学习率；步骤四：根据目标函数迭代优化DSECJAN模型，在总损失函数值下降到一定值或训练次数达到设定值时结束训练，得到最终智能故障诊断模型；步骤五：设备故障诊断时将目标域数据输入最终模型，得到设备故障诊断结果。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。