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！

龙图腾网获悉北京宇航系统工程研究所申请的专利基于数据驱动的长期加电设备健康状态实时异常检测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：CN114118219B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202111284811.5，技术领域涉及：G06F18/2431；该发明授权基于数据驱动的长期加电设备健康状态实时异常检测方法是由王冠;王伟;王潇宇;李璨;朱骋;范浩鑫;吉彬;刘存秋;阎小涛;康健;沈超鹏;刘苑伊;何巍;徐西宝;续堃设计研发完成，并于2021-11-01向国家知识产权局提交的专利申请。

本基于数据驱动的长期加电设备健康状态实时异常检测方法在说明书摘要公布了：本发明公开了一种基于数据驱动的长期加电设备健康状态实时异常检测方法，该方法包括如下步骤：步骤一：对长期加电设备采集到的加电设备数据，进行数据处理得到观测数据，将观测数据进行转换或增强处理，得到有效测量数据；步骤二：对步骤一中的有效测量数据进行降维处理得到降维处理后的数据，对降维处理后的数据采用随机森林模型和相关性分析选取重要变量；步骤三：根据步骤二筛选得到的重要变量通过时域特征提取以及频域特征提取得到寿命特征；对寿命特征进行平滑处理得到加电设备寿命特征；步骤四：根据步骤三中的加电设备寿命特征，采用基于多变量聚类与主成分分析的故障趋势预测算法得到故障因子；步骤五：根据步骤三计算得到的加电设备寿命特征,建立故障预测模型。本发明提高了预测准确性和模型的鲁棒性。

本发明授权基于数据驱动的长期加电设备健康状态实时异常检测方法在权利要求书中公布了：1.一种基于数据驱动的长期加电设备健康状态实时异常检测方法，其特征在于，所述方法包括如下步骤： 步骤一：对长期加电设备采集到的加电设备数据，进行数据清理、数据集成、数据变换以及数据归约得到观测数据，将观测数据进行转换或增强处理，得到有效测量数据； 步骤二：对步骤一中的有效测量数据进行降维处理得到降维处理后的数据，对降维处理后的数据采用随机森林模型和相关性分析选取重要变量； 步骤三：根据步骤二筛选得到的重要变量通过时域特征提取以及频域特征提取得到寿命特征；对寿命特征进行平滑处理得到加电设备寿命特征； 步骤四：根据步骤三中的加电设备寿命特征，采用基于多变量聚类与主成分分析的故障趋势预测算法得到故障因子； 步骤五：根据步骤三计算得到的加电设备寿命特征,建立故障预测模型； 在步骤五中，建立故障预测模型包括如下步骤： 1取步骤一得到的有效测量数据中已有数据的正常阶段和故障阶段的F1、F2…Fn参数； 2对于正常阶段数据以W1个采样点取一个滑动窗口，并且构建每个窗口对应的特征向量I，数据标签集设为1，将正常阶段窗口向量点集记为A； 3对于故障阶段数据以W2个采样点取一个滑动窗口，并且构建每个窗口对应的特征向量I，数据标签集设为0，将故障阶段窗口特征向量点集记为B； 4对每个滑动窗口所取得的正常阶段窗口向量点集A和故障阶段窗口特征向量点集B进行归一化得到归一化数据； 5根据归一化数据用KNN方法训练得到模型KNN_Model； 6取步骤一得到的有效测量数据中的待测试数据中F1’,F2’…Fn’参数； 7根据步骤6待测试数据的采样频率，固定采样时间内构建一个滑动窗口Wi，计算该窗口内的特征向量I’； 8对滑动窗口Wi所取得的的特征向量组进行归一化得到归一化待测数据特征向量； 9根据归一化待测数据特征向量调用训练好的KNN_Model进行特征向量的分类，根据距离公式获取训练集特征向量与I’最为相近的5个点c1、c2、c3、c4和c5，记为点集C＝{c1，c2，c3，c4，c5}； 10当点集C中的5个点多数属于A，窗口Wi判定为正常数据，则该窗口的检测值Rwi＝1；当点集C中5个点多数属于B，则判定该窗口数据有故障趋势，检测值Rwi＝0；其中，多数为大于等于3； 11重复步骤7至步骤10直至遍历所有待测试数据集，得到每个滑动窗口有关的检测值列表R； 12取所设定的N个原始滑动窗口Wi为一个判定窗口S，根据检测值列表R得到判定窗口S中的健康因子H； 健康因子H通过如下公式得到： 式中，N为选取的原始滑动窗口数，k′为当前所判定窗口的时间序列号，Rwi为当前所判定窗口的检测值。

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北京宇航系统工程研究所，其通讯地址为：100076 北京市丰台区南大红门路1号内35栋；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。