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！

龙图腾网获悉东莞理工学院申请的专利基于多工况监督对比学习的少样本轴承故障迁移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：CN121256224B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202511244256.1，技术领域涉及：G06F18/20；该发明授权基于多工况监督对比学习的少样本轴承故障迁移诊断方法是由张悦;陈新烨;蒋飞;赖杰;徐晨洋设计研发完成，并于2025-09-02向国家知识产权局提交的专利申请。

本基于多工况监督对比学习的少样本轴承故障迁移诊断方法在说明书摘要公布了：本发明提供了一种基于多工况监督对比学习的少样本轴承故障迁移诊断方法，所述方法包括：将轴承多个不同工况下具有大量标签的振动信号作为源域数据和不同于源域数据工况的工况且仅有少量标签的振动信号作为目标域数据；根据预先构建的对比学习训练分类模型及源域数据和目标域数据，得到各故障类别的特征表示与预测概率分布；再分别计算监督对比损失与交叉熵损失，加权组合为总损失函数；根据组合后的总损失函数，通过自适应学习率优化算法以及反向传播更新模型参数，得到训练好的对比学习训练分类模型果。本发明使用多个不同源域数据通过改进的监督对比损失函数提取特征，结合交叉熵损失函数来优化模型参数，以对稀缺数据的目标域诊断。

本发明授权基于多工况监督对比学习的少样本轴承故障迁移诊断方法在权利要求书中公布了：1.一种基于多工况监督对比学习的少样本轴承故障迁移诊断方法，其特征在于，所述方法包括： 将轴承至少两个具备大量标签信息的不同工况下的振动信号作为源域数据，与源域数据工况不同的仅具备少量标签信息的工况下的振动信号作为目标域数据，其中，标签信息包括：故障信息和工况信息； 根据预先构建的初始对比学习训练分类模型，将有标签的源域数据和目标域数据输入特征提取器，得到特征表示；特征表示输入分类器，得到各故障类别的预测概率分布； 根据对源域数据及目标域数据预先构建的全局样本对及局部样本对策略，基于特征表示构建正负样本对，计算监督对比损失，根据各故障类别的预测概率分布和真实标签计算交叉熵损失，并将监督对比损失与交叉熵损失进行加权组合为总损失函数； 根据组合后的总损失函数，通过自适应学习率优化算法以及反向传播更新模型参数，优化模型，使损失数值下降至收敛，得到训练好的对比学习训练分类模型； 将无标签的目标域数据输入训练好的对比学习训练分类模型，得到预测结果； 所述预先构建的全局样本对及局部样本对策略，包括： 将所有工况的同类故障样本作为正样本，将所有工况中不同类故障样本作为负样本，构建全局样本对； 将同一工况内的同类故障样本视为正样本，将其余工况下所有同类故障样本视为负样本，构建为局部样本对； 所述总损失函数包括：监督对比损失函数及交叉熵损失函数；其中，监督对比损失函数包括：加权组合的全局对比损失函数和局部对比损失函数； 全局对比损失函数：基于全局样本对，计算所有工况中同类故障样本的特征相似度与异类故障样本的特征差异度； 局部对比损失函数：基于局部样本对，计算同一工况内同类故障样本的特征相似度与其他工况同类故障样本的特征差异度； 所述总损失函数包括：监督对比损失函数及交叉熵损失函数；L=λ·Lcon+σ·Lcro；其中，Lcon表示监督对比损失函数，Lcro表示交叉熵损失函数； 所述监督对比损失函数的公式为：， 其中，Lcon为整体的监督对比损失函数；w表示工况数量，即使用的源域工况数量与目标域工况数量之和；α为超参数，决定了全局对比损失与局部对比损失的权重；Lglobal为全局对比损失函数，Llocak,k为局部对比损失函数。

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东莞理工学院，其通讯地址为：523808 广东省东莞市松山湖大学路1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。