買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉杭州師范大學申請的專利一種基于時序生成的工業過程不平衡故障分類方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117235602B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202311284483.8，技術領域涉及：G06F18/241；該發明授權一種基于時序生成的工業過程不平衡故障分類方法是由沈冰冰;姚樂;曾九孫設計研發完成，并于2023-10-07向國家知識產權局提交的專利申請。

本一種基于時序生成的工業過程不平衡故障分類方法在說明書摘要公布了：本發明公開一種基于時序生成的工業過程不平衡故障分類方法，包括：基于時間序列的工業過程數據，針對每個故障構建并訓練一個深度生成模型，生成一定量故障的時序數據，用于平衡工業過程中正常的時序數據和故障的時序數據；深度生成模型包括卷積解碼器、卷積解碼器、趨勢多層感知機、季節多層感知機；深度生成模型的輸出為卷積解碼器和所有的多層感知機的輸出的和；基于平衡的工業過程時序數據，構建并訓練分類器，進行故障分類；分類器包括用于提取高維空間特征的長短時記憶網絡，以及用于故障分類的多層感知機和softmax函數。本發明能夠對動態過程中出現的罕見故障進行分類，穩定性高、魯棒性好、泛化性能優異。

本發明授權一種基于時序生成的工業過程不平衡故障分類方法在權利要求書中公布了：1.一種基于時序生成的工業過程不平衡故障分類方法，其特征在于，該方法包括以下步驟： 步驟一：基于時間序列的工業過程數據，針對每個故障，構建并訓練一個深度生成模型，生成故障的時序數據，用于平衡工業過程中正常的時序數據和故障的時序數據；所述深度生成模型包括： 將輸入樣本映射到隱層空間的基于卷積神經網絡的卷積解碼器； 將所述隱層空間的隱變量還原為時序分解的基礎輸出的基于卷積神經網絡的卷積解碼器； 將所述隱層空間的隱變量轉換為趨勢輸出的趨勢多層感知機； 將所述隱層空間的隱變量轉換為多個季節中間向量，得到季節輸出的多個季節多層感知機； 所述深度生成模型的輸出為所述卷積解碼器和所有的多層感知機的輸出的和； 步驟二：基于平衡的工業過程時序數據，構建并訓練分類器，進行故障分類；所述分類器包括用于提取高維空間特征的長短時記憶網絡，以及用于故障分類的多層感知機和softmax函數； 所述步驟一包括如下子步驟： 步驟（1.1）：將序列化的工業過程數據分為訓練集和測試集，所述訓練集用于深度生成模型的訓練迭代，測試集用于所述深度生成模型的評價； 步驟（1.2）：將輸入樣本通過基于卷積神經網絡的卷積編碼器映射到隱層空間，得到隱變量特征均值和方差，均值和方差經過重參數化得到隱變量,其中； 步驟（1.3）：并列執行如下三個操作： （1）將隱變量通過基于卷積神經網絡的卷積解碼器還原為時序分解的基礎輸出； （2）將隱變量使用趨勢多層感知機轉換為趨勢中間向量；定義時間向量，時間矩陣，得到時序分解的趨勢輸出，其中表示時間序列長度，為多項式系數； （3）將隱變量使用個季節多層感知機轉換為季節中間向量，其中，為季節模式個數；對每個季節中間向量按照季節索引數組進行切片和擴展得到季節輸出，最終求和得到季節輸出；其中，，為第個季節模式的季節數；依次由個0，個1，…，個組成，為第個季節模式的季節長度；由個組成； 步驟（1.4）：求得輸入樣本的重構值； 步驟（1.5）：定義所述步驟（1.2）至步驟（1.4）所構建的深度生成模型損失函數為，其中表示重構損失，表示基于KL散度求得的隱變量損失； 步驟（1.6）：使用步驟（1.1）中的訓練集數據對步驟（1.2）至步驟（1.4）所構建的深度生成模型進行訓練，利用隨機梯度迭代算法，對各網絡參數進行梯度迭代更新，具體策略如下所示： 卷積編碼器網絡參數；卷積解碼器的網絡參數；趨勢多層感知機的網絡參數；季節多層感知機的網絡參數； 步驟（1.7）：依據已采集的故障數據，針對每個故障構建一個所述深度生成模型，用以按需生成故障的時序數據。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人杭州師范大學，其通訊地址為：311121 浙江省杭州市余杭區余杭塘路2318號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。