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！

龙图腾网获悉哈尔滨工业大学申请的专利基于变分局部加权子域自适应网络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：CN115456272B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202211085781.X，技术领域涉及：G06F18/241；该发明授权基于变分局部加权子域自适应网络的剩余使用寿命预测方法是由张九思;罗浩;李翔;王豪;吴诗梦;田纪伦;尹珅设计研发完成，并于2022-09-06向国家知识产权局提交的专利申请。

本基于变分局部加权子域自适应网络的剩余使用寿命预测方法在说明书摘要公布了：基于变分局部加权子域自适应网络的剩余使用寿命预测方法，本发明涉及剩余使用寿命预测方法。本发明的目的是为了解决迁移学习中全局域自适应方法中子域之间细粒度特征混淆所导致的剩余使用寿命预测准确率降低的问题。过程为：一、数据预处理，获得训练数据集和验证数据集；二、搭建变分局部加权子域自适应网络；三、基于训练集训练变分局部加权子域自适应网络，得到训练好的变分局部加权子域自适应网络；四、在线预测目标域数据，对目标域数据进行步骤一的数据预处理，将预处理后的目标域数据输入训练好的变分局部加权子域自适应网络，输出剩余使用寿命。本发明用于人工智能技术与工业背景下的故障预测相结合的学科交叉领域。

本发明授权基于变分局部加权子域自适应网络的剩余使用寿命预测方法在权利要求书中公布了：1.基于变分局部加权子域自适应网络的剩余使用寿命预测方法，其特征在于：所述方法具体过程为： 步骤一、数据预处理，获得训练数据集和验证数据集； 步骤二、搭建变分局部加权子域自适应网络；具体过程为： 步骤二一、搭建变分自编码器-长短时记忆子网络； 步骤二二、基于变分自编码器-长短时记忆子网络，设计不同类别的软标签； 步骤二三、基于软标签搭建局部加权深度子域自适应子网络； 步骤三、基于训练集训练变分局部加权子域自适应网络，得到训练好的变分局部加权子域自适应网络； 步骤四、在线预测目标域数据，对目标域数据进行步骤一的数据预处理，将预处理后的目标域数据输入训练好的变分局部加权子域自适应网络，输出剩余使用寿命； 所述步骤二一中搭建变分自编码器-长短时记忆子网络；具体过程为： 变分自编码器-长短时记忆子网络包括编码器层、重参数层和解码器层； 输入数据经长短时记忆子网络LSTM的映射关系gLSTM、编码器的全连接层映射关系fFCE、编码器的全连接层参数ΞFCE和长短时记忆子网络的网络权重参数ΞLSTM，得到均值μ和标准差σ； 基于均值μ和标准差σ得到数据的潜在低维空间z； 基于数据的潜在低维空间z、解码器的映射关系和解码器全连接层的网络权重参数，得到剩余使用寿命的预测值RULpi； 具体过程为： 1、输入数据经长短时记忆子网络LSTM的映射关系gLSTM、编码器的全连接层映射关系fFCE、编码器的全连接层参数ΞFCE和长短时记忆子网络的网络权重参数ΞLSTM，得到均值μ和标准差σ； 其中fFCE表示编码器的全连接层映射关系，gLSTM表示长短时记忆子网络LSTM网络的映射关系，ΞFCE表示编码器的全连接层参数，ΞLSTM表示长短时记忆子网络的网络权重参数；xi表示第i个输入样本数据；φ表示由输入样本数据xi生成潜在低维空间zi的模型参数； 2、基于均值μ和标准差σ得到数据的潜在低维空间zi； zi＝μxi；φ+σxi；φ×ε9 其中μxi；φ为表征分布的均值，σxi；φ为表征分布的标准差，ε为重参数采样的常数量，zi为第i个输入数据样本的潜在低维空间； 3、基于数据的潜在低维空间zi、解码器的映射关系和解码器全连接层的网络权重参数，得到剩余使用寿命的预测值RULpi； RULpi＝fFCDzi；ΞFCD10 其中fFCD表示解码器的映射关系，ΞFCD表示解码器全连接层的网络权重参数，RULpi为剩余使用寿命的预测值。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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”。