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！

龙图腾网获悉昆明理工大学申请的专利基于多尺度卷积网络的机械设备关联测点迁移学习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：CN119004186B 。

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：202411251622.1，技术领域涉及：G06F18/24；该发明授权基于多尺度卷积网络的机械设备关联测点迁移学习方法是由刘畅;王熙;贺飞飞;柯灏洋设计研发完成，并于2024-09-08向国家知识产权局提交的专利申请。

本基于多尺度卷积网络的机械设备关联测点迁移学习方法在说明书摘要公布了：本发明公开了一种基于多尺度卷积网络的机械设备关联测点迁移学习方法，先将带标签的源域数据作为源域的领域学习网络的输入用于提取关联测点特征，并将网络结构及权重共享给目标域的领域学习网络，然后将无标签下的目标域数据作为目标域的领域学习网络的输入以提取目标测点特征；利用最大均方差异方法对关联测点特征、目标测点特征进行领域间的差异度量，并结合源域的领域学习网络的分类损失、域间的差异损失构建联合损失函数作为优化目标，利用反向传播算法进行迭代训练，更新目标域学习模型参数、预测样本类别，最终得到诊断效果优异的目标域学习模型，实现机械设备关联测点、目标测点间的知识迁移。本发明通过多尺度卷积神经网络有效地提取数据中的深层特征，并利用最大均方差异实现了不同测点之间的知识迁移，从而在传感器安装不便、数据分布差异较大、缺乏标签信息的情况下，利用关联测点进行故障诊断，有效提高了模型泛化性。

本发明授权基于多尺度卷积网络的机械设备关联测点迁移学习方法在权利要求书中公布了：1.一种基于多尺度卷积网络的机械设备关联测点迁移学习方法，其特征在于，包括： 根据迁移任务收集设备故障点的关联测点数据作为源域数据、收集待诊断的目标点数据作为目标域数据； 对源域数据和目标域数据均进行归一化处理，然后采用滑窗机制对归一化的数据进行数据分段处理以获得样本，并确定样本对应的类别标签，最终得到源域数据集以及目标域数据集；其中，类别标签包括正常类别标签、不同故障类别标签； 构建领域学习网络；通过共享网络结构联合训练源域和目标域：先将带标签的源域数据作为源域的领域学习网络的输入用于提取关联测点特征，并将网络结构及权重共享给目标域的领域学习网络，然后将无标签下的目标域数据作为目标域的领域学习网络的输入以提取目标测点特征；利用最大均方差异方法对关联测点特征、目标测点特征进行领域间的差异度量，并结合源域的领域学习网络的分类损失、域间的差异损失构建联合损失函数作为优化目标，利用反向传播算法进行迭代训练，更新目标域学习模型参数、预测样本类别，最终得到诊断效果优异的目标域学习模型，实现机械设备关联测点、目标测点间的知识迁移； 所述领域学习网络，具体为：首先，利用多尺度卷积神经网络提取数据特征，并引入自注意力模块以增强特征的表征能力；然后，将不同尺度下的特征信息进行融合；最后在自适应层引入最大均方差异方法度量源域和目标域之间的特征差异； 所述多尺度卷积神经网络包括两个分支：第一分支采用五层叠加的“卷积层+批量归一化层+ReLU激活函数+最大池化层”，且第一分支中第一层的卷积核大小大于第一分支中其它层的卷积核大小；第二分支采用四层叠加的“卷积层+批量归一化层+ReLU激活函数+最大池化层”，且第二分支中第一层的卷积核大小大于第二分支中其它层的卷积核大小； 最大均方差异的计算步骤如下： 根据网络提取得到的关联测点特征集合和目标测点特征集合，以及高斯核函数的参数和权重，计算混合RBF核矩阵；RBF核矩阵计算公式如下： ； ； ； 其中，，，是样本特征之间的点积矩阵，，分别表示点积矩阵的对角元素组成的向量； 接下来，根据混合RBF核函数的三个混合RBF核矩阵、、计算最大均方差异，最大均方差异计算公示如下： ； 其中，是矩阵的迹；、分别表示、的样本个数。

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昆明理工大学，其通讯地址为：650031 云南省昆明市一二一大街文昌路68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。