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！

龙图腾网获悉西南交通大学申请的专利一种基于伪标签传递式两阶段领域自适应的滚动轴承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：CN115876467B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202211377184.4，技术领域涉及：G01M13/04；该发明授权一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法是由张楷;丁国富;丁昆;刘永志;邹益胜;李致萱;刘彦涛;秦国浩设计研发完成，并于2022-11-04向国家知识产权局提交的专利申请。

本一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法在说明书摘要公布了：本发明涉及公开了一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法。本发明旨在解决滚动轴承迁移故障诊断中出现的健康状态已知的滚动轴承监测数据与健康状态未知的待诊断滚动轴承监测数据之间数据分布差异显著，进而导致待诊断滚动轴承准确诊断困难的问题。通过可利用的中间数据在源数据与目标数据间形成桥接作用，从而将一个单一的领域自适应故障诊断过程转化为由两个阶段构成的领域自适应故障诊断过程，利用领域适应方法逐步缩小数据分布差异问题，使滚动轴承的共享健康状态知识逐步迁移至目标数据，提升对待诊断滚动轴承的故障诊断精度。

本发明授权一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法在权利要求书中公布了：1.一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法，其特征在于，包括如下步骤： 步骤1、收集现存的滚动轴承故障数据作为源数据，采集待诊断滚动轴承的信号数据作为目标数据； 步骤2、利用数据相似性度量方法计算源数据与目标数据之间的数据分布相似性，再根据计算结果和选择条件在目标数据之中选择中间数据； 步骤3、构建基于伪标签传递式两阶段领域自适应网络的滚动轴承故障诊断模型； 步骤4、利用所述源数据、目标数据和中间数据训练所述基于伪标签传递式两阶段领域自适应网络的滚动轴承故障诊断模型，训练结束后对待诊断滚动轴承进行故障诊断； 其中，所述步骤3中基于伪标签传递式两阶段领域自适应网络的滚动轴承故障诊断模型包括了两个阶段的网络模型，包括阶段I网络模型和阶段Ⅱ网络模型，所述阶段I网络模型为源数据至中间数据的领域自适应网络模型，所述阶段Ⅱ网络模型为中间数据至目标数据的领域自适应网络模型，所述阶段I网络模型和阶段Ⅱ网络模型之间由基于阈值决策的伪标签约束方法建立连接， 所述阶段I网络模型包括特征提取模块、分类模块和领域适应模块，所述特征提取模块由卷积层、池化层和全局平均池化层组成，所述特征提取模块的映射函数为，待训练参数为；所述分类模块由全连接层、Dropout层和Softmax层组成，所述分类模块的映射函数为，待训练参数为；所述领域适应模块采用基于最大均值差异的领域自适应方法以减小不同数据之间的特征分布差异，映射函数为； 阶段I的训练过程为：将健康状态已知的源数据样本集和健康状态未知的中间数据样本集输入至阶段I网络模型中用于优化模型参数；通过特征提取模块，源数据样本和中间数据样本分别生成相应的源数据特征和中间数据特征；所述源数据特征通过所述阶段I网络模型中的分类模块得到源数据样本的预测标签，由交叉熵代价函数衡量所述源数据样本的预测标签与真实标签之间的误差，误差为： ， 所述v为分类模块最终输出的分类概率分布的第v维，为一个指示函数，当满足时其值为1，否则为0， 所述源数据特征与所述中间数据特征通过所述阶段I网络模型中的所述领域适配模块缩小分布差异，损失函数为： ， 经过所述领域适配模块后的所述中间样本特征，通过所述分类模块得到样本的滚动轴承健康状态类别预测概率，输出为： ， 所述为中间样本特征，为分类模块的训练参数，所述为一维概率分布向量，所述最大值对应的标签，为样本的预测健康状态类别； 为了避免模型过拟合，采用L2正则化损失以惩罚模型训练参数，因此所述阶段Ⅰ网络模型的目标函数表示为： ， 所述α、β为惩罚系数； 所述构建基于阈值决策的伪标签约束方法，为通过对中间数据样本在网络模型中预测概率设定阈值的方法筛选出高置信度的中间数据样本，被筛选出的中间数据样本被用于所述阶段Ⅱ网络模型的训练，生成的伪标签为： ， 所述用于产生伪标签的阈值； 为指示函数，当满足时，有且样本将生成相应的伪标签，否则该样本将不会生成伪标签且不会在所述阶段Ⅱ网络模型中被使用；当带有伪标签的中间数据样本的数量达到了参与训练的中间数据样本总数的占比ρ后，带有伪标签的中间数据样本被用于所述阶段Ⅱ网络模型的训练；所述高置信度的中间数据样本集合表示如下： ， 所述，；用于决定是否结束阶段I网络模型训练的比例参数；为参与训练的中间数据样本总数； 所述阶段Ⅱ网络模型的网络结构也包括特征提取模块、分类模块和领域适应模块，相应的映射函数包括和，待训练参数包括和； 阶段Ⅱ的训练过程为：将带有伪标签信息的中间数据样本集和健康状态未知的目标数据样本集输入到阶段Ⅱ网络模型中用于优化模型参数，所述阶段Ⅱ网络模型的训练流程与阶段I网络模型的训练流程相同，阶段Ⅱ网络模型的目标函数表示为： ， 所述α、β为惩罚系数。

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西南交通大学，其通讯地址为：610031 四川省成都市金牛区二环路北一段；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。