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！

龙图腾网恭喜重庆大学申请的专利一种基于维纳过程和人工智能的发动机剩余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：CN114925894B 。

龙图腾网通过国家知识产权局官网在2025-04-04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：202210501215.6，技术领域涉及：G06Q10/04；该发明授权一种基于维纳过程和人工智能的发动机剩余寿命预测方法是由林景栋;闫冠松;张静曦;熊大略;李鸿威;杨越设计研发完成，并于2022-05-09向国家知识产权局提交的专利申请。

本一种基于维纳过程和人工智能的发动机剩余寿命预测方法在说明书摘要公布了：本发明涉及一种基于维纳过程和人工智能的发动机剩余寿命预测方法，属于航空发动机寿命预测领域。针对涡扇发动机在运行过程中，因不同失效行为而导致多种退化模式的出现，从而使得单一预测方法的预测精度和稳定性降低的问题，提出了一种识别发动机不同退化模式并构建不同模型进行剩余寿命预测的方法。按以下步骤进行预测：1数据预处理；2训练残差网络；3退化模式分类；4预测模型选择与构建；5寿命预测。考虑退化模式识别的预方法能更好的发挥对应预测模型的优点，从而提升寿命预测的效果。

本发明授权一种基于维纳过程和人工智能的发动机剩余寿命预测方法在权利要求书中公布了：1.一种基于维纳过程和人工智能的发动机剩余寿命预测方法，其特征在于：该方法包括以下步骤：S1：数据预处理：对发动机数据进行滑动滤波去噪，并进行标准化处理；S2：训练残差网络：利用训练集数据训练ResNet101将发动机数据集分为三类；S3：退化模式分类：将数据集输入S2中的残差网络，识别该数据集属于哪一类退化模式；S4：预测模型选择与构建：根据S3中识别出的退化模式，若是第一类第二类退化模式，则构建ELM-维纳过程预测模型；若是第三类退化模式，则构建多阶段LSTM预测模型；S5：寿命预测：训练S4中构建的模型并进行寿命预测；所述S4具体为：若S3中得到数据集是第一类或第二类退化模型，则进行以下步骤来构建ELM-维纳预测模型：首先采用两阶段维纳过程建立模型，其数学表达式如下： 其中，μ1为第一阶段的漂移系数，μ2为第二阶段的漂移系数；σ1为第一阶段的扩散系数，σ2为第二阶段的扩散系数；Bt是标准布朗运动；τ为故障点的时间；x0表示第一阶段的初始退化值；xτ是τ时刻的退化值；剩余寿命的数学表达式如下：Lm＝inf{lm:Xtm+lm≥ωXtm≤ω}6式中Lm为发动机发动机在当前时刻tm时的剩余寿命，ω为失效阈值；预测模型的离线参数估计：设第i个发动机的参数为其中，μi,1和μi,2分别为第一阶段和第二阶段的漂移系数；和分别为第一阶段和第二阶段的扩散系数；τi为第i个发动机的故障时间；利用极大似然估计MLE估计θt，当函数lnLθi|Xi,1:m取到最大值，此时的θi就是想要的参数： 变点实时检测：利用ELM建立健康指数HI，HI的构造公式如下：HI1:k＝hi1,hi2,...,hik＝|Y1:k-X1:m|8其中Y1:k＝y1,y2,…,yk为训练后ELM的输出，X1:k＝X1,X2,...,Xk是发动机的实际退化数据；构建HI的检测指标，自适应地检测变化点；检测指标的形式如下： 参数在线更新：当tm≤τ： 其中μ1p:m和分别是μ1p和的后验估计；μ1p,0和是离线估计得到的，分别是μ1p和的先验估计，T1:m＝t1,t2,...,tm是退化数据X1:m对应的时间，是X1:m对应的协方差矩阵；当tm＞τ： 其中μ2p:m和分别是μ2p和的后验估计,μ2p,0和是由离线估计得到的，其分别是μ2p和的先验估计；Tτ:m＝tτ+1,tτ+2,...,tτ+m是退化数据Xτ+1:m对应的时间，是Xτ+1:m的协方差矩阵；根据上述参数求解，代入寿命预测模型中，进行剩余寿命预测，模型如下：当tm＜τ，即当前时刻tm在τ之前时：S11：当前时刻tm与剩余寿命lm之和小于故障点的发生时刻τ， S12：当前时刻tm与剩余寿命lm之和大于故障点的发生时刻τ，即tm+lm＞τ， S13：当前时刻tm大于故障点的发生时刻τ，即tm＞τ， 若S3中得到该数据集是第三类退化模型，则进行以下步骤来构建多段LSTM预测模型：先通过手肘法确定聚类数K，公式如下： 其中，Ci是第i个簇，p是Ci中的样本点，mi是Ci的质心，代表Ci中所有样本的均值，SSE是所有样本的聚类误差；观察SSE的下降趋势来判断出最佳的聚类数k；利用K-means将退化数据分成k个阶段，其中对于有n个样本点{x1,x2,...,xn}的数据集D，假设现在要将这些样本点聚类为k个簇，k个簇中心为{μ1,μ2,...,μk}；定义指示变量γij∈{0,1}，如果第i个样本被聚类到第k个簇，那么γij＝1，否则γij＝0；具体计算公式见17到19： 得到聚类中心后，将数据集分成k个阶段，对每个阶段建立LSTM模型，参考LSTM算法公式，计算各个阶段对应的每个门的权重，具体计算步骤如下：S21：逆向计算每个时刻对应的误差项σ的值，从当前时间t开始，计算时刻t-1的误差项σ-1： S22：计算权重梯度；根据对应的误差项来计算每个权重的梯度： 接着迭代计算每个时刻的梯度，以获得最终梯度，公式如下： 将聚类得到的第一阶段数据作为预测第一阶段的训练数据；采用第一阶段和第二阶段数据作为预测第二阶段的训练数据，通过聚类将第一、第二和第三阶段数据作为第三阶段的训练数据，以此类推，通过训练得到每个阶段对应的模型。

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重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙坪坝正街174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”。