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！

龙图腾网恭喜安徽大学申请的专利一种基于无监督域适应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：CN114398992B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202210054299.3，技术领域涉及：G06F18/2415；该发明授权一种基于无监督域适应的智能故障诊断方法是由夏懿;张诚志;许洋洋;方永康建设计研发完成，并于2022-01-18向国家知识产权局提交的专利申请。

本一种基于无监督域适应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无监督域适应的智能故障诊断方法，涉及故障检测技术领域。获取带有故障标签标注的目标零件信号作为源域信号，获取无标注的目标零件信号作为目标域信号；目标零件信号为用于判断目标零件是否发生故障的传感器数据；故障标签为目标零件发生故障的类型；对源域信号和所述目标域信号进行预处理，得到多个源域样本和多个目标域样本；使用源域样本和目标域样本训练预设的域适应模型，优化域适应模型的优化目标函数，完成域适应模型的训练；使用训练好的域适应模型进行目标零件的故障诊断。以此能够根据已知的零件数据，诊断出分布相似的零件轴承监测数据的故障类型，提升模型在实际应用中的诊断效果。

本发明授权一种基于无监督域适应的智能故障诊断方法在权利要求书中公布了：1.一种基于无监督域适应的智能故障诊断方法，其特征在于，包括以下步骤：获取带有故障标签标注的目标零件信号作为源域信号，获取无标注的目标零件信号作为目标域信号；所述目标零件信号是用于判断目标零件是否发生故障的传感器数据；所述故障标签为目标零件发生故障的类型；对所述源域信号和所述目标域信号进行预处理，得到多个源域样本和多个目标域样本；使用所述源域样本和所述目标域样本训练预设的域适应模型，优化所述域适应模型的优化目标函数，完成所述域适应模型的训练；使用训练好的所述域适应模型进行所述目标零件的故障诊断；所述预设的域适应模型包括一个特征提取器、一个分类器和三个域鉴别器；其中，所述特征提取器包括三层卷积层和一层全连接层，每个卷积层还包括了BN层、池化层和ReLU层；其中，所述池化层都采用最大值池化方法，所述ReLU层采用一种线性纠正函数；所述分类器包括两层全连接层，用于使用softmax激活函数对故障标签进行预测；每一域鉴别器包括两层全连接层，用于使用sigmoid激活函数对域标签进行预测；使用所述源域样本和所述目标域样本训练预设的域适应模型，优化所述域适应模型的优化目标函数，完成所述域适应模型的训练，包括：利用所述特征提取器提取所述源域样本的特征，作为源域特征，利用所述特征提取器提取所述目标域样本的特征，作为目标域特征；将所述源域特征和所述目标域特征输入所述分类器，预测所述源域样本和所述目标域样本的故障标签；将所述分类器输出的带有故障标签的源域特征和目标域特征，通过多重线性映射经过梯度反转层后输入所述域鉴别器，通过所述域鉴别器预测所述源域样本和所述目标域样本的域标签；所述域标签包括标签1和标签0，所述标签1表示属于源域，所述标签0表示属于目标域；优化所述域适应模型的优化目标函数，完成所述域适应模型的训练；所述优化目标函数为： 其中，Lc为所述分类器的损失函数，Ld1、Ld2和Ld3分别为三个域鉴别器的损失函数，Lmmd为所述特征提取器的损失函数，λ1、λ2、λ3、λ4为权衡参数，用于调节所述域鉴别器和所述特征提取器的贡献；通过最小化Lc优化所述特征提取器和所述分类器的参数；最小化Ld1、Ld2和Ld3优化三个域鉴别器的参数；最小化Lmmd优化所述特征提取器的参数；最大化Ld1、Ld2和Ld3优化所述特征提取器的参数；域鉴别器的损失函数为： 其中，D为所述域鉴别器的操作；通过熵准则计算预测不确定性，通过熵感知权重ωHg＝1+e-Hg，对易于转移的样本进行重新加权；其中，gc表示样本属于第C类的概率；对于第m个域鉴别器，损失函数为： 其中，表示对第i个源域样本分类器的预测结果，表示对第j个目标域样本分类器的预测结果，Dm表示第m个域鉴别器的操作，表示第m层卷积对第i个源域样本提取的特征，表示第m层卷积对第j个目标域样本提取的特征。

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安徽大学，其通讯地址为：230000 安徽省合肥市肥西路3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”。