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！

龙图腾网获悉合肥工业大学;宣城雪诺制冷设备有限公司申请的专利基于多模态知识蒸馏的数据中心液冷系统故障检测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：CN120687294B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202511187172.9，技术领域涉及：G06F11/07；该发明授权基于多模态知识蒸馏的数据中心液冷系统故障检测方法是由周开乐;牛玥;张传东;陆信辉;刘萧萧;虎蓉;杨紫薇设计研发完成，并于2025-08-25向国家知识产权局提交的专利申请。

本基于多模态知识蒸馏的数据中心液冷系统故障检测方法在说明书摘要公布了：本发明提供一种基于多模态知识蒸馏的数据中心液冷系统故障检测方法，涉及故障检测领域。本发明基于多教师并行知识蒸馏框架，包括网络结构相同的主教师模型、专用教师模型及学生模型。对多模态数据进行预处理和编码后，通过自监督与有监督联合预训练构建主教师模型，负责全局特征的最优表达。接着，针对各类模态缺失场景构建专用教师模型，并通过知识蒸馏将主教师及各专用教师模型的知识有效融合到学生模型中。本发明实现了主教师模型全局知识、专用教师模型判别逻辑与学生模型的高效融合，确保学生模型能够在各种模态缺失场景下，获得与相应专用教师模型相近的判别能力，从而具备更高的鲁棒性和优良的泛化性能。

本发明授权基于多模态知识蒸馏的数据中心液冷系统故障检测方法在权利要求书中公布了：1.一种基于多模态知识蒸馏的数据中心液冷系统故障检测方法，其特征在于，基于多教师并行知识蒸馏框架，包括网络结构相同的主教师模型、专用教师模型及学生模型；方法包括： 采集并预处理多模态数据，并构建故障类别标签；其中多模态数据包括数值模态、文本模态及图像模态数据； 编码预处理后的多模态数据，对应获取数值特征、文本特征及图像特征； 将编码后的特征作为样本，结合故障类别标签，通过自监督与有监督联合预训练构建主教师模型； 针对每一种模态数据缺失，基于主教师模型构建三个专用教师模型，分别为数值教师模型、文本教师模型及图像教师模型； 采用动态遮蔽策略处理多模态数据，以匹配最优的专用教师模型作为知识蒸馏的参考，并通过共享参数构建学生模型； 采集新的多模态数据，利用学生模型检测液冷系统故障类别； 在有监督预训练阶段中： 采用多任务分类结构，所述多任务分类结构依次包括输入层、融合层、特征提取层、Logits层和Softmax输出层；其中所述融合层采用单层多头注意力融合机制； 将样本或重建样本作为所述多任务分类结构的输入，输出第一故障类别预测结果； 基于所述第一故障类别预测结果，结合所述故障类别标签，通过交叉熵构建第一有监督分类损失； 所述采用动态遮蔽策略处理多模态数据，以匹配最优的专用教师模型作为知识蒸馏的参考，并通过共享参数构建学生模型，包括： 将所述学生模型的初始权重参数设定为主教师模型的权重参数，并冻结除了特征提取层、Logits层以外的网络层参数； 采用动态遮蔽策略处理多模态数据，基于预设的质量评估方法确定样本的modal_mask，并匹配最优的专用教师模型；其中modal_mask=[a,b,c]是指用于表征样本模态情况的模态标记，a,b,c分别为所述数值模态、文本模态及图像模态数据对应的元素，取1表示存在，取0表示缺失； 将带有modal_mask的样本分别作为所述学生模型、匹配的专用教师模型的输入，输出第三故障类别预测结果； 基于所述学生模型以及匹配的专用教师模型的融合层的输出特征，通过均方误差损失构建对齐损失；基于所述学生模型以及不同专用教师模型的Logits层的概率输出，通过KL散度构建KL损失；以及基于所述第三故障类别预测结果，结合所述故障类别标签，通过交叉熵构建第三有监督分类损失； 联合所述对齐损失、KL损失及第三有监督分类损失，优化特征提取层、Logits层，以构建所述学生模型。

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合肥工业大学;宣城雪诺制冷设备有限公司，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。