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！

龙图腾网获悉大连理工大学申请的专利一种基于扩散模型和时空注意力机制的航空发动机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：CN119782867B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202411984723.X，技术领域涉及：G06F18/23213；该发明授权一种基于扩散模型和时空注意力机制的航空发动机剩余使用寿命预测方法是由徐易;李绪鑫;孙希明;李宏新设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种基于扩散模型和时空注意力机制的航空发动机剩余使用寿命预测方法在说明书摘要公布了：本发明属于航空发动机健康管理技术领域，公开一种基于扩散模型和时空注意力机制的航空发动机剩余使用寿命预测方法。本发明提出一种新颖的学习框架，用于航空发动机的RUL预测。该框架融合了扩散过程和基于注意力的时间模块，以实现从传感器信号到RUL的端到端准确估计。针对航空发动机数据的稀缺性问题限制了深度学习网络在提升RUL预测精度方面的应用，本方法采用扩散过程来丰富数据多样性和提升数据质量。为了提升RUL预测的准确性，使用注意力机制提取样本内和样本间的时间特征，有效地利用时间信息，从而增强了对航空发动机性能退化过程的捕捉能力。本发明的RUL预测方法为航空发动机的健康管理和维护决策提供更可靠的支持。

本发明授权一种基于扩散模型和时空注意力机制的航空发动机剩余使用寿命预测方法在权利要求书中公布了：1.一种基于扩散模型和时空注意力机制的航空发动机剩余使用寿命预测方法，其特征在于，包括以下步骤： 步骤一：对传感器获取的数据进行处理，构建训练样本，训练样本包括训练集和测试集； 1.1利用K-means聚类算法对传感器获取的数据进行条件分类，对每个类别的数据采用z-score进行标准化处理，计算公式为： 其中，i和j分别表示第i个传感器和第j个条件分类，vj和τj分别表示第j个条件分类下第i个传感器的平均值和标准差，xij和αij分别表示标准化处理前后的数据； 1.2编写函数用于改变输入数据的形状，输入数据包括训练集和测试集用于训练的数据，根据窗口长度和偏移量生成期望形状的输入数据；使用线性退化模型或分段退化模型来预测RUL，设置参数early_rul；根据不同需求，获得指定数组的形状； 步骤二：根据扩散模型进行数据增强，数据包括训练集中的训练数据集和标签数据集； 2.1利用扩散模型的前向过程对训练数据集和标签数据集进行同步的数据扩充；对于给定序列分布x0～qx0，扩散过程的近似后验qx1,…,xT∣x0被表达为： 其中，马尔可夫过程的转移核qxt∣xt-1定义为： 其中，t和T表示时间步，qxt∣xt-1表示在给定xt-1的条件下的xt条件概率分布；表示正态分布；xt和xt-1是扩散过程中连续的时间步长状态；是均值的缩放因子；βt是时间步长t的噪声方差，是递增的方差调度，用来控制加入的噪声的水平；I是单位矩阵； 2.2通过抽样高斯向量，得到： 其中，αt＝1-βt，∈x是训练数据集的采样高斯噪声； 2.3为了减少生成模型带来的不确定性，扩散过程同时在训练数据集和标签数据集中加入相同类型的噪声，使训练数据集序列与标签数据集序列保持一致性和完整性不变，生成标签公式： 其中，β′t＝ωβt，ω是固定的比例参数，∈y是标签数据集采样高斯噪声； 步骤三：在步骤一、二构建的训练样本基础上，构建神经网络模型，作为发动机剩余寿命预测模型；神经网络模型结构包括时间序列信息编码层、时空卷积层、多头注意力层、输出层； 3.1为解决Transformer自注意力机制无法直接捕捉输入数据的时序性的问题，在输入数据进入时间序列信息编码层后，通过位置编码层添加正弦位置编码和余弦位置编码，以提供输入数据的相对位置信息，从而增强网络结构模型对时序特征的捕捉能力，相应计算公式为： 其中，Pt,2j表示位置编码矩阵中第t个时间步和第2j个传感器的值；d是位置编码的维度，即每个位置编码向量的元素数量； 3.2为了获取输入数据的时空特征信息，增加时空卷积层： Fst＝σWst·X*Ts 其中，Fst表示时空特征，Wst是权重矩阵，X是传感器数据矩阵，Ts是时间特征矩阵，σ是激活函数，*表示时空卷积操作； 3.3注意力机制是Transformer模型的核心组件，将上层输入传感器数据矩阵X与三个不同的权重矩阵Wq、Wk和Wv相乘，得到查询向量Q、键向量K和内容向量V，对应的公式为： Q＝XWQ K＝XWK V＝XWV 3.4通过计算查询向量Q和键向量K的点积，得到关联矩阵，经过Softmax函数激活，得到上层每个传感器数据对应的权重；将Softmax函数得到的权重与时空特征信息Fst、内容向量V相乘，得到融合后的时空注意力特征输出，计算公式为： 其中，Fatt是融合后的时空注意力特征，dk是键向量K的维度，作为缩放因子，用于缓解梯度消失问题，⊙表示逐元素乘法； 3.5多头注意力层采用多头注意力机制，即计算了多组Q、K、V再将多组注意力输出拼接后作为最终输出，以均衡同一种注意力机制可能产生的偏差，从而提升神经网络模型效果，相应计算公式为： Ffused＝ConcatA1,A2,…,AHWO 其中，Ffused表示融合后的多头时空注意力特征；H是头的数量，即神经网络模型中并行的自注意力层的数量；Ai是由步骤3.4计算得到的融合后的时空注意力特征输出；WO是用于将所有头的输出合并的权重矩阵； 多头注意力的计算过程如下：1对于每个头i，计算查询Qi、键Ki和值Vi通过将输入传感器数据矩阵X与对应的权重矩阵相乘得到；2对每个头计算自注意力Ai；3将所有头的输出A1,A2,…,AH拼接起来，然后乘以权重矩阵WO，以获得最终的多头注意力输出； 3.6最终结果通过输出层得到的RUL预测，输出层来处理注意力模块归一化的注意力权重信息，将输入映射到隐藏的向量空间，预测最终的RUL，表达式为： 其中，是预测的剩余使用寿命，Wout和bout分别是输出层的权重和偏置； 3.7损失函数的定义如下： 其中，L是损失函数，yi和分别是真实值和预测值，λ和α是正则化参数，||Wst||2是权重矩阵Wst的L2正则化项； 步骤四：根据步骤一、步骤二得到的数据集和步骤三得到的神经网络模型，进行训练并测试，得到预测的rul值，采用均方根误差损失函数与航空故障诊断评分函数和早停方法，对得到的预测rul值进行评估，并评价寿命预测效果，计算公式分别如下： 其中，yi为真实值，为模型预测值。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。