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！

龙图腾网获悉郑州大学申请的专利一种基于深度迁移学习的多模态齿轮箱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：CN115600150B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202211174296.X，技术领域涉及：G06F18/25；该发明授权一种基于深度迁移学习的多模态齿轮箱故障诊断方法是由雷文平;李沁远;高丽鹏;李晨阳;陈宏;陈磊;李凌均;王丽雅;梁川;闫灏设计研发完成，并于2022-09-26向国家知识产权局提交的专利申请。

本一种基于深度迁移学习的多模态齿轮箱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深度迁移学习的多模态齿轮箱故障诊断方法，解决无标签样本情况下的齿轮箱故障诊断能力较差的问题，属于齿轮箱故障诊断技术领域；包括：采集不同工况下的原始振动信号，设定为源域和目标域；将采集的信号用数据级融合方式对时域和频域进行多模态信息融合并进行样本划分；构建深度多模态对抗迁移网络模型，通过该模型提取源域和目标域的故障信息特征进行迭代对抗训练，适配源域和目标域的联合概率分布，再利用源域大量丰富的故障标签信息来保证故障类别的精准判别；最后得到训练好的针对目标域的迁移诊断模型。本方法应用于不同工作条件下齿轮箱的故障诊断中，即不同工况或不同故障类型之间的迁移诊断，准确率高、泛化性能好。

本发明授权一种基于深度迁移学习的多模态齿轮箱故障诊断方法在权利要求书中公布了：1.一种基于深度迁移学习的多模态齿轮箱故障诊断方法，其特征在于：包括以下步骤： S1、采集原始振动信号： 采集不同工况条件下齿轮箱的原始振动信号，将其设定为源域和目标域数据，其中源域为带标签数据，目标域为不带标签数据； S2、多模态信息融合： 对步骤S1中采集并设定的原始振动信号提取时域波形序列，获取时域振动信号，并对时域振动信号进行快速傅里叶变换FFT得到频域振动信号，将最后得到的时域样本和频域样本进行Z-分数标准化处理，进行时域和频域的数据级融合，并将处理后的源域和目标域的数据样本均划分为训练集和测试集，训练集和测试集两部分数据采样不重叠； S3、构建多模态对抗迁移网络模型： 多模态对抗迁移网络模型由特征提取器、类别分类器和域判别器构成，特征提取器利用一维卷积神经网络接收源域或目标域的数据样本，并对其进行故障信息的提取；类别分类器通过全连接层对接收好的特征进行任务故障分类，并通过Softmax函数映射为概率输出；域判别器判断输入为源域或目标域；模型构建采用1D-CNN作为特征提取器的网络结构，模型训练采用Adam优化器作为随机梯度下降优化方法，修正一阶动量和二阶动量的偏差来对网络参数进行更新； 多模态对抗迁移网络模型的目标损失函数的表达式为： ，式中，为类别分类器的传统交叉熵损失，为超参数，为域判别器的域对抗分类损失，、、分别表示特征提取器、域判别器和类别分类器的网络参数； 的表达式为：， 的表达式为： ， 上式中，表示源域样本数目，表示目标域样本数目，表示类别分类器，表示特征提取器，表示特征提取器的输入，为模型参数正则项，为数据的域判别器损失； S4、利用融合处理后源域和目标域的数据样本输入训练得到针对目标域的迁移诊断模型： 将步骤S2中处理后源域的训练集和目标域的训练集数据输入到步骤S3中构建的多模态对抗迁移网络模型中，根据步骤S3中构建的目标损失函数，用随机梯度下降算法对该网络进行迭代对抗训练优化网络参数，训练完成后保存模型最优网络参数、和，得到训练后的针对目标域的迁移诊断模型； S5、输入融合处理后源域和目标域待测样本到训练后的迁移诊断模型中得到故障诊断结果： 在步骤S4中训练后的迁移诊断模型中输入步骤S2中处理后源域的测试集和目标域的测试集数据进行故障检测，最终得出故障诊断结果。

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郑州大学，其通讯地址为：450000 河南省郑州市高新技术开发区科学大道100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。