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！

龙图腾网获悉北京航空航天大学申请的专利一种基于数据增强与集成学习的烘丝机健康度评估方法及系统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：CN119719658B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202411756510.1，技术领域涉及：G06F18/20；该发明授权一种基于数据增强与集成学习的烘丝机健康度评估方法及系统是由左颖;刘云皓;陶飞设计研发完成，并于2024-12-03向国家知识产权局提交的专利申请。

本一种基于数据增强与集成学习的烘丝机健康度评估方法及系统在说明书摘要公布了：本发明公开了一种基于数据增强与集成学习的烘丝机健康度评估方法及系统，包括：烘丝机数据预处理与特征分析，实现数据伪标签标记与数据筛选、数据特征重要度的计算以及特征的排序和筛选。烘丝机单一模型健康度值计算，通过分别建立基于长短期记忆网络的和基于对抗自编码器的健康度值计算模型，实现监测数据的数据增强。烘丝机组合模型健康度计算与评估，通过指标相关性赋权方法和模糊评价法，建立烘丝机健康度值计算集成模型，从而实现烘丝机的健康度评估。本发明能够在样本标签不均衡、数据量不充足的情况下，对于烘丝机健康状况难以有效评估的问题进行解决。

本发明授权一种基于数据增强与集成学习的烘丝机健康度评估方法及系统在权利要求书中公布了：1.一种基于数据增强与集成学习的烘丝机健康度评估方法，其特征在于，包括如下步骤： 步骤1、烘丝机数据预处理与特征分析；实现数据伪标签标记与数据筛选、数据特征重要度的计算以及特征的排序和筛选； 步骤2、烘丝机单一模型健康度值计算，通过分别建立基于长短期记忆网络的和基于对抗自编码器的健康度值计算模型，实现监测数据的数据增强； 步骤3、烘丝机组合模型健康度计算与评估，建立烘丝机健康度值计算集成模型，从而实现烘丝机的健康度评估；步骤1具体实现如下： 步骤1.1、数据预处理：数据预处理包括缺失值处理、异常值处理、特征初步处理步骤； 其中，缺失值处理是将缺失数据的前后各多个数据的平均值作为缺失数据的值填补到空缺里； 异常值处理是检查原始数据中是否存在异常的数据，其方法是将缺失数据的前后各多个数据的平均值作为替换数据进行替换； 特征初步处理是对烘丝机原始特征进行初步合并、增添、删除处理，将“热风速度设定值”与“热风速度实际值”合并特征“热风速度工作偏差”，“BBHS_区域1筒温度设定值”与“BBHS_区域1筒温度实际值”合并为“BBHS_区域1筒温度”，“BBHS_区域2筒温度设定值”与“BBHS_区域2筒温度实际值”合并为“BBHS_区域2筒温度”，“BBHS_卸出罩处压力设定值”与“BBHS_卸出罩处压力实际值”合并为“BBHS_卸出罩处压力”，“BBHS_最终烟丝水分设定值”与“BBHS_最终烟丝水分实际值”合并为“BBHS_最终烟丝水分工作偏差”，“HT_蒸汽压力推优设定值”与“HT_蒸汽压力推优实际值”合并为“HT_蒸汽压力推优工作偏差”，“烘丝筒壁2温度推优设定值”与“烘丝筒壁2温度推优设定值”合并为“烘丝筒壁2温度推优工作偏差”，“烘丝筒壁1温度推优设定值”与“烘丝筒壁1温度推优设定值”合并为“烘丝筒壁1温度推优工作偏差”；删除特征“烟丝流量累积量”，并对筛选后数据进行归一化处理； 步骤1.2、伪标签提取：选定与烘丝机健康度相关性高的特征，通过聚类算法初步对监测数据进行标签标定；接下来分别选择聚类簇n_clusters=2作为粗标记，n_clusters=4作为精细标记，每一聚类簇依据公式：，计算其偏离健康运行状态的程度，其中d为偏离程度，，分别为聚类簇与健康运行对应数据，然后依据聚类簇中心偏离程度大小，分别按照标签类别设定对应标签值，其中粗标签设定为0即健康、1即故障，精细标签的值设定为0、0.4、0.7、1，最后设置信度为α=0.05即设置信区间，通过聚类样本点与聚类中心的距离进行置信度评估依次对各聚类簇数据进行筛选，筛选后聚类结果对应的监测数据作为可用数据，并记为AD； 步骤1.3、特征分析与特征筛选：将烘丝机n0维的可用数据作为模型输入，伪标签提取得到的标签作为模型输出，进行XGBoost模型训练，采用已训练好的XGBoost模型进行特征重要度的计算与排序，选择特征重要度较高的前多个特征作为健康度值计算模型的输入特征；步骤2具体实现如下： 步骤2.1、双向长短期记忆网络模型的健康度值计算：首先基于经验知识对Bi-LSTM网络结构进行预设置，并通过步骤1.2得到的可用数据AD进行模型预训练，得到模型对应的结果及其参数；然后依据训练结果与可用数据AD对比，进一步调整Bi-LSTM网络结构的具体网络结构和超参数，将得到的四层Bi-LSTM网络结构及一层全连接层结构作为模型最终结构，四层Bi-LSTM结构分别为32层、16层、16层、8层，输入特征维数为14，接着分别用提取的粗标签与精细标签作为烘丝机健康度值，对Bi-LSTM网络结构进行再次训练，从而建立烘丝机监测数据与烘丝机健康度值对应关系，并保存训练好的模型参数，记为M1，最后将可用数据AD作为模型输入，依据训练好模型参数M1，计算得到健康度值，记为h1； 步骤2.2、对抗自编码器模型即AAE的数据增强：首先基于经验知识对于AAE网络结构进行预设置，并通过步骤1.2得到的可用数据AD进行模型预训练，得到模型对应的结果及其参数，然后依据训练结果与可用数据AD对比，进一步调整AAE的具体网络结构和超参数，得到AAE最终结构：四层线性层编码器、四层解码器结构、四层判别器结构，输入特征维数为14，对于确定好超参数的AAE模型，再进行训练，从而建立烘丝机监测数据与烘丝机健康度值对应关系，并保存训练好的模型参数，通过训练好的AAE模型，生成正常数据ND与故障数据FD，以对于原有数据进行补充增强； 步骤2.3、基于对抗自编码器模型的健康度值计算：依据公式，计算步骤2.2得到的正常数据ND与可用数据AD的数据重构误差e，并对重构误差进行归一化处理，获得表征烘丝机健康度的定量值即健康度值，记为h2，通过梯度下降算法，将14维特征数据作为输入，数据重构误差作为输出，对健康度值计算公式进行线性回归，得到可用数据AD与健康度值的定量对应关系，记为M2。

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航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。