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！

龙图腾网获悉南通大学申请的专利基于概率慢特征对比学习的工业过程微小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：CN119128520B 。

龙图腾网通过国家知识产权局官网在2025-06-06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：202411239413.5，技术领域涉及：G06F18/214；该发明授权基于概率慢特征对比学习的工业过程微小故障诊断方法是由商亮亮;陈万;严浩;陆天奇;赵凡一;张宇超;杨柳设计研发完成，并于2024-09-05向国家知识产权局提交的专利申请。

本基于概率慢特征对比学习的工业过程微小故障诊断方法在说明书摘要公布了：本发明提供了一种基于概率慢特征对比学习的工业过程微小故障诊断方法，属于多变量复杂工业过程故障诊断技术领域。解决了传统机器学习算法难以对复杂非线性工业过程的微小故障进行有效诊断的技术难题。其技术方案包括以下步骤：S1、从历史数据获取训练数据并进行预处理；S2、结合Jensen‑ShannonJS散度与慢特征分析提取概率慢特征；S3、构建对比学习网络框架；S4、将概率慢特征作为网络输入进行训练；S5、保存训练好的网络参数；S6、获取在线数据并输入网络获得故障诊断结果。本发明的有益效果为：实现了微小故障特征的精准提取，显著提升了故障诊断的准确率。

本发明授权基于概率慢特征对比学习的工业过程微小故障诊断方法在权利要求书中公布了：1.一种基于概率慢特征对比学习的工业过程微小故障诊断方法，其特征在于，包括以下步骤：步骤S1：获取历史数据库中的正常工况数据X0，利用其均值meanX0和标准差stdX0对历史数据Xold标准化，得到标准化后的训练数据X；步骤S2：利用慢特征分析SFA方法从训练数据X中提取慢特征S＝[S1,S2,...,SM]；步骤S3：引入Jensen-Shannon散度JS，结合滑动窗口方法处理慢特征S，将其映射到概率空间，得到训练数据X的概率慢特征P＝[P1,P2,...,PM]；步骤S4：数据集制备：重复步骤S2和步骤S3，得到正常工况及各故障类型的若干概率慢特征数据样本，标记故障标签，作为训练数据集；步骤S5：利用训练数据集构建对比学习样本对；步骤S6：利用训练数据集样本对训练以一维卷积神经网络1D-CNN为主干网络的对比学习特征提取器；在步骤S6中，利用训练数据集样本对训练以1D-CNN为主干网络的对比学习特征提取器的具体步骤为：S601、根据训练数据慢度自适应调整对比损失温度系数τ；S602、利用1D-CNN为主干的特征提取网络提取样本pi的特征zi；S603、利用提取的特征zi计算慢特征对比损失Lsf；S604、使用自适应矩估计算法Adam优化器更新网络参数，保存参数；在所述步骤S601中，根据训练数据慢度调整对比损失温度系数τ的具体方法为：慢度是慢特征分析中的重要概念，慢度的大小是衡量数据变化快慢情况的重要指标，随时间变化较快的慢特征为噪声特征，而随时间变化较慢的慢特征反映数据真实的变化情况；温度系数τ是对比损失的重要参数，其取值范围为0-1，决定着对比学习中模型对样本的区分度，温度系数值越接近于0，模型越关注困难样本，但同时也容易导致模型收敛缓慢、泛化能力差，反之若值设的过大接近1，则会导致模型学习没有轻重；依据特征慢度计算公式：计算得到训练数据所有特征的平均慢度ΔS，最大慢度ΔSmax，最小慢度ΔSmin；从正常的历史数据中，计算得到正常特征的标准慢度ΔSN；通过下式，实现由数据慢度确定温度系数τ： 由该式计算的温度系数相比通过经验设定的温度系数，帮助特征提取器更准确的提取特征，更快的收敛模型；步骤S7：利用经过训练的特征提取器提取的特征训练Softmax分类器；步骤S8：到达设定训练轮次后，保存训练好的对比学习特征提取器和Softmax分类器的网络参数；步骤S9：采集工业生产过程中的数据作为测试数据Xnew，按照与步骤S1到步骤S4同样的方法制备得到无标签测试数据集；步骤S10：将制备好的无标签测试数据集依次输入训练好的对比学习特征提取器和Softmax分类器，得到故障分类结果。

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南通大学，其通讯地址为：226000 江苏省南通市崇川区永福路79号1幢南通大学技术转移研究院；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”。