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！

龙图腾网获悉上海交通大学申请的专利一种基于任务增量元学习的小样本下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：CN119416174B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411558395.7，技术领域涉及：G06F18/27；该发明授权一种基于任务增量元学习的小样本下剩余寿命预测方法是由汪颖;王迪设计研发完成，并于2024-11-04向国家知识产权局提交的专利申请。

本一种基于任务增量元学习的小样本下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任务增量元学习的小样本下剩余寿命预测方法，包括以下步骤：获取飞机发动机的多元传感器失效信号和实际剩余寿命，并对信号进行预处理和选择；构建对偶网络，包括一个元网络和一个辅助网络，其中，元网络将每台设备的传感器数据到剩余寿命的映射视为一个回归任务，利用元学习实现自动地学习每台设备的任务特有模型；辅助网络给未失效设备的无标签样本生成伪标签；基于已失效设备的带标签数据与未失效设备的无标签数据以任务增量训练算法训练对偶网络；利用辅助网络预测测试设备样本的伪标签，元网络基于伪标签支持集更新至任务特有模型，利用任务特有模型预测测试设备的剩余寿命。与现有技术相比，本发明能够实现少量失效样本下的剩余寿命精准预测。

本发明授权一种基于任务增量元学习的小样本下剩余寿命预测方法在权利要求书中公布了：1.一种基于任务增量元学习的小样本下剩余寿命预测方法，其特征在于，包括以下步骤： S1，数据获取：获取飞机发动机的多元传感器失效信号和实际剩余寿命，并对信号进行预处理和选择； S2，网络构建：构建对偶网络，所述对偶网络包括一个元网络和一个辅助网络，元网络和辅助网络的输入均为固定长度的多个时间步的传感器失效信号，输出为输入的最后一个时间步与失效时刻的时间间隔，即剩余寿命；其中，元网络将每台设备的传感器数据到剩余寿命的映射视为一个回归任务，利用元学习实现自动地学习每台设备的任务特有模型，所述任务特有模型的参数包含设备的全局特征信息；辅助网络给未失效设备的无标签样本生成伪标签，使元网络能基于伪标签样本更新得到未失效设备的任务特有模型； S3，网络训练：基于已失效设备的带标签数据与未失效设备的无标签数据以任务增量训练算法训练对偶网络； S4，剩余寿命预测：利用辅助网络预测测试设备样本的伪标签，元网络基于伪标签支持集更新至任务特有模型，利用任务特有模型预测测试设备的剩余寿命； 其中，所述元网络的目的是学习关联任务共享的元知识，包括任务特有回归层的初始化参数和任务共享特征提取器的参数；通过基于支持集进行梯度下降，任务特有回归层的初始化参数通过内更新至任务特有参数；元知识由基于多个任务的查询集的外更新学习；所述支持集和查询集为两个不重叠的子数据集，分别由已失效设备未失效设备测试设备的和个带标签带伪标签的样本构成； 元网络的训练过程如下： 任务采样：从训练任务集中采样个任务，对于其中的任务，从数据集中分别采样和个样本构成支持集和查询集，所述数据集为已失效设备的样本集、未失效设备的样本集或测试设备的样本集； 内更新：任务特有参数以初始化参数为初始值基于支持集进行次梯度下降更新得到； 外更新：通过梯度下降更新任务特有回归层的初始化参数的分布和任务共享特征提取器参数，该梯度基于所有采样任务更新后的在查询集上的损失函数计算得到； 所述内更新的目的是更新初始化参数分布使其逼近任务特有参数的后验分布，采用斯坦变分梯度下降实现，其中，为任务特有参数的后验分布，为支持集的似然分布； 基于斯坦变分梯度下降，保持个模型参数的实例，每个实例为一个粒子，在内更新中，第个粒子的更新规则如下： 式中，为更新步的大小，为正定核，为关于粒子的Del算符； 所述外更新采用下式评估采样任务在查询集上的预测效果： 式中，是剩余寿命预测的条件似然函数，由于斯坦变分梯度下降中通过保持个例子逼近后验分布，上述评估预测效果的公式的蒙特卡洛近似为： 式中； 则，外更新的损失函数为： 所述外更新的损失函数最小化个采样任务的对数似然值，通过优化该损失函数，所有的初始化参数粒子和特征提取器参数被联合优化； 所述任务增量训练算法具体为：将对偶网络的整个训练过程设计为一系列任务增加的迭代训练过程，实现为无标签样本生成准确的伪标签，在每一次迭代中，对偶网络为未失效设备的无标签样本生成伪标签，一台未失效设备的伪标签样本构成一个伪标签任务，任务增量训练算法从伪标签任务中选出预设数量的伪标签可靠的任务加入到训练任务集中，基于扩充后的训练任务集重新训练对偶网络，当所有的未失效设备被加入到训练任务集时，算法的迭代停止； 其中，任务增量训练算法的第次迭代包含以下步骤： 基于训练任务集训练辅助网络参数，并预测无标签任务集中所有任务样本的伪标签，其中，对于第一次迭代，训练任务集由个已失效设备的带标签样本组成，无标签任务集由个未失效设备的无标签样本组成； 基于训练任务集训练元网络，获取共享特征提取器参数和回归层初始化参数，随后对于无标签任务集中的所有任务，元网络基于伪标签支持集更新得到任务特有模型，并预测生成另一组伪标签，其中，，为伪标签支持集中的伪标签； 利用伪标签校准算法对两组伪标签和进行校准； 基于伪标签任务选择算法选择可靠的伪标签任务组成选择任务集，并更新训练任务集和无标签任务集，若则更新，若则算法结束； 所述伪标签校准算法具体为：利用同一设备多个时间步的剩余寿命间的潜在线性关联对模型的输出进行校准，将校准后的预测值作为伪标签，校准过程包括全局校准和局部校准；其中， 基于最后一个时间步的样本与时间步的样本间的关系进行全局校准，即： 式中，为全局校准结果，为时间间隔，为时间步的伪标签； 使用SG滤波进行局部校准，利用个相邻时间步，即，的剩余寿命预测值拟合线性模型，局部校准的结果为： 式中，为局部校准结果，和为SG滤波的模型系数； 伪标签校准算法的最终校准结果为： 式中，为平衡全局校准与局部校准的超参数，为校准后的伪标签。

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上海交通大学，其通讯地址为：200240 上海市闵行区东川路800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。