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！

龙图腾网获悉浙江工业大学申请的专利一种基于时序特征的联邦蒸馏小样本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：CN115526226B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202210907519.2，技术领域涉及：G06F18/214；该发明授权一种基于时序特征的联邦蒸馏小样本故障诊断方法是由郭方洪;窦云飞;林凯;董辉;吴祥;俞立;徐惠燕;陈森杰设计研发完成，并于2022-07-29向国家知识产权局提交的专利申请。

本一种基于时序特征的联邦蒸馏小样本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时序特征的联邦蒸馏小样本故障诊断方法，包括：采集电梯运行数据形成数据集；采用改进TimeGAN模型生成样本并存入数据集，划分数据集为训练集和测试集；建立联邦蒸馏模型，并将训练集输入进行训练：提取全部样本的时序特征，并分发到各客户端的本地模型进行训练；将噪声向量引入序列生成器；基于知识蒸馏将引入噪声向量的序列生成器发送给客户端，使各本地模型从序列生成器中采样获得特征空间上的增强表示；将本地模型的预测模块参数共享，特征提取模块参数本地化；将测试集输入训练好的联邦蒸馏模型进行测试，获得最终模型。该方法可解决样本不足及分布不平衡问题，获得高效准确的故障诊断结果，实现设备安全维护。

本发明授权一种基于时序特征的联邦蒸馏小样本故障诊断方法在权利要求书中公布了：1.一种基于时序特征的联邦蒸馏小样本故障诊断方法，其特征在于：所述基于时序特征的联邦蒸馏小样本故障诊断方法包括如下步骤： S1、采集电梯运行数据形成数据集，所述数据集包括正常样本和故障样本； S2、将故障样本输入改进TimeGAN模型生成新的故障样本，并将新的故障样本存入数据集，使数据集中的故障样本与正常样本数量相等，划分数据集为训练集和测试集； S3、建立联邦蒸馏模型，所述联邦蒸馏模型包括中央服务器和若干个客户端，并将训练集输入联邦蒸馏模型进行训练，包括： S31、利用中央服务器提取训练集中全部样本的时序特征，并分发到各客户端的本地模型θk进行训练，所述提取训练集中全部样本的时序特征通过学习改进TimeGAN模型的序列生成器Gω实现，所述时序特征包括潜在静态表征hS和t时刻的潜在时态表征ht，其中： 所述序列生成器Gω满足如下目标函数： 式中，ω为生成器参数，为输出标签y下标签真实先验分布py的近似值的经验风险，为hs,ht输入Gωhs,ht|y的经验风险，Gωhs,ht|y为hs,ht在输出标签y下的后验概率分布，l为损失函数，σ为本地模型θk的全连接层的激活函数，g为本地模型θk的全连接层的输出函数，为第k个客户端的本地模型的预测模块参数，k＝1,…,K，K为客户端的总数； 所述潜在静态表征hs和t时刻的潜在时态表征ht满足如下条件： 式中，eS为时序静态特征的嵌入网络，eχ为时序动态特征的嵌入网络，ht-1为t-1时刻的潜在时态表征，s为静态特征向量，xt为t时刻的时态特征向量，HS、Hχ分别为静态特征向量空间S和时态特征向量空间χ对应的潜在向量空间； S32、将噪声向量引入序列生成器Gω，满足如下条件： S33、基于知识蒸馏将引入噪声向量的序列生成器发送给客户端，使各本地模型θk从序列生成器Gω中采样获得特征空间上的增强表示hs,ht～Gω·|y，并构建如下目标函数： 其中，为训练时的平均损失，公式如下： 式中，为域的观测数据，为采集电梯运行数据形成的原始数据集，为与hs,ht～Gω·|y的经验风险，p为本地模型的预测模块，f为本地模型的特征提取模块，为第k个客户端的本地模型的特征提取模块参数，xi为第i个输入样本，c*为真实标签函数； S34、将本地模型的预测模块参数进行参数共享，并保持本地模型的特征提取模块参数本地化； S4、将测试集输入训练好的联邦蒸馏模型进行测试，并根据故障诊断结果评估获得最终联邦蒸馏模型。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市下城区潮王路18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”。