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！

龙图腾网获悉电子科技大学中山学院申请的专利一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预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：CN116415485B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202211706024.X，技术领域涉及：G06F30/27；该发明授权一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预测方法是由吕燚;温振飞;张启晨设计研发完成，并于2022-12-29向国家知识产权局提交的专利申请。

本一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预测方法在说明书摘要公布了：本发明公开了一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预测方法，包括以下步骤：1给定已有源域和目标域退化数据；2对退化数据进行预处理；3提取源域和目标域退化数据的退化特征表示；4对齐每个源域和目标域的退化特征分布，获得目标域多种退化特征表示；5融合目标域的多种退化特征通过各个特定领域预测器得到的RUL标签，作为最终的RUL预测标签。迁移学习可以利用数据、任务或模型之间的相似性，将旧领域学习过的模型和知识应用与新的领域。基于迁移学习的RUL预测方法利用现有的退化数据集训练预测模型，将已学习到的知识迁移应用到不同工况的数据集实现跨域的RUL预测。

本发明授权一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预测方法在权利要求书中公布了：1.一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预测方法，其特征在于，包括以下步骤： 1给定已有源域和目标域退化数据； 2对退化数据进行预处理； 3提取源域和目标域退化数据的退化特征表示； 4对齐每个源域和目标域的退化特征分布，获得目标域多种退化特征表示； 5融合目标域的多种退化特征通过各个特定领域预测器得到的RUL标签，作为最终的RUL预测标签； 在步骤1中，所述源域和目标域退化数据： 给定已有多传感器退化数据，如公式1所示， 该退化数据以矩阵形式表示，其中代表了可以监测退化状态的传感器数量，是退化数据的长度，以时间周期为尺度来表征设备的寿命，所述步骤3至步骤5中，包含三个模块：退化特征提取模块、动态分布自适应模块和回归预测模块， 退化特征提取模块：该模块由公共特征提取器和特定领域特征提取器两个部分组成，用于提取源域和目标域退化数据的退化特征表示， 公共特征提取器：该部分的作用提取多源域和目标域的低级特征表示，是共用的特征提取器，公共特征提取器由四个卷积块组成用于提取源域和目标域的低级特征表示， 特定领域特征提取器：该部分用于提取特定领域的独有特征，每个源域和目标域经过上一层模块得到的低级特征表示分别通过特定领域特征提取器得到高级特征表示，作为最终的退化特征，特定领域特征提取器由四层GRU单元组成，低级特征表示通过该部分得到源域和目标域的高级特征表示， 动态分布自适应模块：该模块被用来动态调节边缘分布差异和条件分布差异的影响，对齐每个源域和目标域的退化特征分布，获得目标域多种退化特征表示，动态分布自适应方法提出边缘分布自适应和条件分布自适应并不是同等重要的，该方法能够根据实际退化数据的分布情况，自适应地调整分布适配过程中边缘分布和条件分布的重要性，动态分布自适应通过采用一种平衡因子来动态调整两个分布之间的距离： 其中，，接近0时，表示源域和目标域退化数据本身存在较大的差异性，边缘分布适配更重要；接近1时，表示源域和目标域数据集有较高的相似性，条件分布适配更重要， 采用多核最大均值差异MK-MMD方法度量源域和目标域的数据边缘分布差异，通过最小化MK-MMD实现边缘分布自适应，MK-MMD计算方式如5所示， 其中，表示服从p分布源域退化特征，表示服从q分布目标域退化特征，是映射函数，将退化数据映射到可再生希尔伯特空间RKHS中进行度量，但是，由于选取困难，不会被显式的定义出来，而是引入核函数计算的内积，间接的计算出MMD，本发明采用高斯核函数，计算公式如6所示， 其中，为核函数的宽度，在MK-MMD中，取多种σ值计算得到多种核矩阵，再求和得到最终的高斯核矩阵， 对于条件分布差异的具体实现，一种基于MK-MMD的条件最大均值差异CMMD被设计，首先，退化数据样本的RUL标签被分为四类，标签分类方式如7所示， 其中，和分别表示分类标签和RUL标签，Y是最大寿命周期，这种分类方法是将健康状态的退化数据样本作为一类，退化阶段的数据样本分为三个阶段，从前到后退化程度逐渐加剧，由于目标域退化数据是未被标记的，因此，在训练过程中，模型首先使用源域预训练标签分类器，然后目标域数据通过分类器获得分类伪标签，随着迭代训练，分类器精度逐渐提高，从而获得准确的分类标签，本发明使用交叉熵损失函数计算源域的标签分类损失，如8所示， 其中，表示源域样本个数，和分别表示第i源域样本的真实标签和分类标签，根据源域和目标域的分类结果，CMMD计算方法如9所示： 其中，表示退化数据样本类别，和分别表示源域和目标域中属于类别c的退化数据样本， 在模型的训练过程中，动态分布自适应因子的计算方法如10所示， 其中，表示源域和目标域退化数据样本的特征差异的度量，可以度量训练过程中源域和目标域特征的边缘分布对齐情况，表示源域和目标域属于c类别的退化数据样本的特征差异的度量，可以度量训练过程中源域和目标域特征的条件分布对齐情况，表示基于支持向量的二分类器区分源域和目标域数据样本的误差， 由等式5910可以得到，动态分布自适应模块的目标函数为： 通过最小化该目标函数，每个源域和目标域的退化特征被映射到同一特征空间缩小特征分布差异，最后目标域可以得到多种退化特征表示， 回归预测模块：首先，由动态分布自适应模块得到的源域和目标域的退化特征通过特定领域回归预测器得到源域和目标域的RUL预测标签，本发明使用RMSE性能评估指标作为预测损失函数，如13所示， 最后，该模块融合目标域的多种退化特征通过各个特定领域预测器得到的RUL标签，作为最终的RUL预测标签，该模块采用均值融合方法，保证每个域对的决策边界对齐，不同回归器预测的相同目标样本应该得到相同的预测，因此，模型需要最小化所有特定领域回归器之间的差异，对齐各回归器的预测结果的目标函数如14所示， 其中，S和分别表示源域个数和每个源域的样本数，和分别表示回归器m和n第i个数据样本的预测结果， 联合损失函数：MDDAN模型的联合损失函数由四部分组成：回归预测损失误差、标签分类损失误差、动态分布自适应目标函数和预测结果对齐的目标函数，因此，该模型的联合损失函数可表示为： 其中，是权衡系数，用于控制所占损失比重，，是时变系数，随着每次训练迭代的进行发生变化，i是当前迭代次数，epochs是总迭代次数。

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电子科技大学中山学院，其通讯地址为：528402 广东省中山市石岐区学院路1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。