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！

龙图腾网获悉西安交通大学申请的专利一种涡轮叶片疲劳性能影响因素分析方法、系统及介质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：CN120874631B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202511393474.1，技术领域涉及：G06F30/27；该发明授权一种涡轮叶片疲劳性能影响因素分析方法、系统及介质是由冯凯旋;吕震宙;陈状博;王泽林;屈江吉;王兴成设计研发完成，并于2025-09-28向国家知识产权局提交的专利申请。

本一种涡轮叶片疲劳性能影响因素分析方法、系统及介质在说明书摘要公布了：本发明提供了一种涡轮叶片疲劳性能影响因素分析方法、系统及介质，属于涡轮叶片性能预测技术领域，包括：产生少量训练样本，构建描述涡轮叶片疲劳寿命和输入变量之间关系的反向传播神经网络BP神经网络；序列增加训练样本，更新BP神经网络，直至计算得到的失效概率达到收敛；基于求解失效概率过程中得到的失效样本，使用贝叶斯推断理论估计不同样本点处的条件失效概率估计值；根据涡轮叶片的疲劳失效概率估计值与各失效样本点处的条件失效概率估计值的平均差异，得到各输入变量的疲劳可靠性灵敏度估计值。该方法解决了已有代理模型方法在求解涡轮叶片可靠性灵敏度时样本需求大、效率较低，无法适用于高维问题的问题。

本发明授权一种涡轮叶片疲劳性能影响因素分析方法、系统及介质在权利要求书中公布了：1.一种涡轮叶片疲劳性能影响因素分析方法，其特征在于，包括： 获取涡轮叶片的多个结构参数、材料性能参数和载荷参数，构成多维输入变量，根据各输入变量的概率密度函数及对应参数生成容量为N的样本池； 从样本池中随机选择部分样本组成初始训练集，通过初始训练集学习输入变量与涡轮叶片疲劳寿命的映射关系，完成BP神经网络的初始训练； 利用初始训练的BP神经网络计算样本池中未纳入初始训练集的样本对应的疲劳寿命预测值；根据未纳入初始训练集的样本对应的疲劳寿命预测值及寿命阈值，将未纳入初始训练集的样本中最接近失效面的样本加入初始训练集，继续训练BP神经网络； 重复迭代补充样本与更新网络的步骤多次，直至达到收敛条件，得到收敛的BP神经网络； 将样本池中的所有样本输入收敛的BP神经网络，输出各样本对应的疲劳寿命预测值；通过各样本对应的疲劳寿命预测值确定各输入变量对涡轮叶片疲劳性能的影响程度； 所述通过各样本对应的疲劳寿命预测值确定各输入变量对涡轮叶片疲劳性能的影响程度，具体包括以下步骤： 将各样本对应的疲劳寿命预测值与寿命阈值对比，筛选出疲劳寿命预测值低于寿命阈值的失效样本，并统计失效样本数量； 根据样本池中总样本数量与失效样本数量计算涡轮叶片的疲劳失效概率估计值； 基于失效样本信息，利用指定似然函数和贝叶斯推断理论估计给定样本点处的条件失效概率估计值；所述给定样本点为输入变量的概率密度函数随机产生的一组样本； 根据所述涡轮叶片的疲劳失效概率估计值与各失效样本点处的条件失效概率估计值，计算得到各输入变量的疲劳可靠性灵敏度估计值，通过疲劳可靠性灵敏度估计值量化各输入变量对涡轮叶片疲劳性能的影响程度； 所述重复迭代补充样本与更新网络的步骤多次，直至达到收敛条件，得到收敛的BP神经网络，具体为： 每次向训练集补充样本并更新BP神经网络后，用更新后的网络计算一次各样本对应的疲劳寿命预测值，再重复计算一次涡轮叶片的疲劳失效概率估计值，连续执行至少5次更新与计算，得到至少5个涡轮叶片的疲劳失效概率估计值； 分别计算至少5个涡轮叶片的疲劳失效概率估计值的均值及标准差，根据均值及标准差的比值得到最终变异系数； 直至相邻5次失效概率估计值的变异系数小于给定阈值，得到收敛的BP神经网络。

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安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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。