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！

龙图腾网获悉广东工业大学申请的专利一种基于多域特征融合与可解释对抗卷积编码网络的贫信息故障预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：CN120471215B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202510564288.3，技术领域涉及：G06Q10/04；该发明授权一种基于多域特征融合与可解释对抗卷积编码网络的贫信息故障预测方法是由陈祝云;林泓琪;高有朋;刘强;李泽昊;马帅设计研发完成，并于2025-04-30向国家知识产权局提交的专利申请。

本一种基于多域特征融合与可解释对抗卷积编码网络的贫信息故障预测方法在说明书摘要公布了：本发明涉及旋转机械智能故障诊断技术领域，特别是涉及一种基于多域特征融合与可解释对抗卷积编码网络的贫信息故障预测方法，包括：采集目标旋转机械的振动信号；将所述振动信号输入预设的故障预测模型中，输出故障类别，其中，所述故障类别包括已知故障类别和新故障类别，所述故障预测模型基于训练集训练获得，所述训练集包括若干旋转机械多种工况下的故障样本，所述故障预测模型结合多域特征融合与可解释对抗卷积编码网络构建。本发明关注旋转机械在复杂工业环境下可能出现的新故障类型，提高小样本数据条件下故障诊断的可靠性，全面协调优化故障诊断流程和模型性能。

本发明授权一种基于多域特征融合与可解释对抗卷积编码网络的贫信息故障预测方法在权利要求书中公布了：1.一种基于多域特征融合与可解释对抗卷积编码网络的贫信息故障预测方法，其特征在于，包括： 采集目标旋转机械的振动信号； 将所述振动信号输入预设的故障预测模型中，输出故障类别，其中，所述故障类别包括已知故障类别和新故障类别，所述故障预测模型基于训练集训练获得，所述训练集包括若干旋转机械多种工况下的故障样本，所述故障预测模型结合多域特征融合与可解释对抗卷积编码网络构建； 所述故障预测模型包括： 新故障检测模块，用于基于自编码器对输入数据进行多尺度特征融合，获取编码数据并输入自解码器中，输出解码数据，其中，所述自编码器采用不同尺度的小波散射变换和卷积模块构建，所述自解码器采用不同尺度的反卷积模块构建； 已知故障诊断模块，用于将所述编码数据输入分类器中，输出故障类别预测向量，其中，所述分类器采用全连接神经网络构建； 协同对抗模块，用于将所述编码数据输入编码判别器中，将所述解码数据输入解码判别器中，采用对抗训练策略进行模型优化； 故障输出模块，用于计算所述输入数据和解码数据之间的重构误差，基于所述重构误差判断故障类别，若所述重构误差达到预设阈值，则判断为新故障类别，若所述重构误差未达到预设阈值，则为所述故障类别预测向量中最大分量所对应的已知故障类别； 所述编码数据为： 其中，E代表自编码器，x代表输入数据，Ex代表编码数据，和分别表示具有第 j种尺度信息的小波散射变换与卷积模块，JE代表自编码器中包含的尺度数量； 所述解码数据为： 其中，D代表自解码器，DEx代表解码数据，表示具有第k种尺度信息的反卷积 模块，JD代表自解码器中包含的尺度数量； 采用对抗训练策略进行模型优化的目标函数为： 其中，E、D、、分别代表自编码器、自解码器、编码判别器、解码判别器，表示具 有第k种尺度信息的反卷积模块，表示自解码器中包含的尺度数量，为自编码器所用 的均方误差损失函数，为编码判别器或解码判别器所用的二元交叉熵损失函数，xi代 表第i个输入数据，m代表输入数据总数，、分别表示第i个输入数据的编码数据和 伪编码数据，、分别表示第i个输入数据的解码数据和伪解码数据。

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广东工业大学，其通讯地址为：510006 广东省广州市东风东路729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。