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！

龙图腾网获悉中国人民解放军空军工程大学申请的专利一种小样本装备故障在线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：CN116383608B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202310356001.9，技术领域涉及：G06F18/10；该发明授权一种小样本装备故障在线预测方法是由张保山;郭基联;周峰;周章文;张明亮;李波;魏圣军;顾金玲设计研发完成，并于2023-04-06向国家知识产权局提交的专利申请。

本一种小样本装备故障在线预测方法在说明书摘要公布了：本发明公开了一种小样本装备故障在线预测方法，包括如下预测步骤：S1、数据处理：通过WTD降噪算法中的阈值函数优化以及引入BIC评估分解层数对WTD复杂度的影响，提出一种改进WTD算法用于在线滤除故障信号中的噪声，本发明通过提出小样本装备故障在线预测模型，并通过滚动轴承生命周期振动数据验证了本模型的有效性和可靠性，BIC能够准确找出WTD算法的最佳分解层数，为改进WTD模型参数设置提供依据，改进WTD算法降噪效果优异，保证了故障数据的可靠性，MD改进的MEST算法和双重CSFI算法能有效将故障信号转化为故障程度指标，为后续故障预测提供了高质量的数据保障。

本发明授权一种小样本装备故障在线预测方法在权利要求书中公布了：1.一种小样本装备故障在线预测方法，其特征在于：包括如下预测步骤： S1、数据处理：通过WTD降噪算法中的阈值函数优化以及引入BIC评估分解层数对WTD复杂度的影响，提出一种改进WTD算法用于在线滤除故障信号中的噪声； S2、故障程度识别：通过MEST构建系统或装备的非参数模型，通过对观测向量与历史记忆矩阵的最优重构估计获得估计向量，利用估计向量和观测向量之间的差异性来反应故障程度，并引入CSFI进行平滑处理； S3、故障在线预测：通过TSFM非统计性分析方法，消除数据的偶然变动，并引入梯度下降在线更新平滑因子，引入自适应滑动时间窗动态截取时间序列数据，提升TSFM的拟合能力； S4、实验分析：验证小样本条件下装备故障预测模型的有效性和可行性； S5、数据处理分析：通过预设BIC对不同分解层数的改进WTD算法复杂性进行评估； S6、故障程度识别分析：以改进WTD得到各小波分解系数作为改进MEST的观测变量，设置采样频率、健康状态和退化状态进行故障程度的识别分析，采用双重CSFI处理数据，消除曲线中导数不存在的“尖点”，得平滑后故障程度点； S7、故障在线测试分析：预设自适应滑动时间窗、自适应平滑因子、学习因子、最大训练迭代次数、最小允许误差，将平滑后的轴承故障程度值输入故障在线预测模型中，得自适应平滑因子变化趋势、自适应滑动时间窗长度变化趋势、预测误差变化趋势； S8、预测结果总结：对在线预测模型故障预测的效果进行总结； 所述S3中，TSFM表达式为： 式中，DRt为原始序列数据； 为第t+T次预测的第i次训练自适应平滑因子； 为一次平滑值； 为二次平滑值； 若T表示预测时间，表示t+T时刻第i次训练的预测值，则预测公式为： 其中： 通过对比各类梯度下降算法的适用范围，选用随机梯度下降SGD自适应更新平滑因子则第t+T次预测的第i次训练自适应平滑因子的表达式为： 式中，为第t+T次预测的第i-1次训练自适应平滑因子； β为学习因子； 为第t+T次预测的第i次训练预测值； DRt+T为第t+T个实际值； 为第t+T次预测的第i次训练损失函数对α的偏导： 式中，为第t+T次预测的第i次训练时间序列数据长度，即自适应滑动时间窗； 绘制滑动时间窗示意图，滑动时间窗示意图中Data_mode_i为第i次训练的训练数据，Data_test_i为第i次训练的测试数据， 式中，μ为调整因子； 当时间序列数据不能完全反映故障信息时，即损失函数的偏导一直为同方向，则应持续增长或减小，最大按照1+μ倍增长或1-μ倍缩短； 当时间序列数据能部分反映故障信息时，即损失函数的偏导不均为同方向，则长度取决于的方向，为正时，长度增长，为负时，长度缩短； 选用方差值VARV代表最终预测误差 式中lenT为第t+T次预测故障程度指标数据的个数。

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中国人民解放军空军工程大学，其通讯地址为：710000 陕西省西安市灞桥区长乐东路甲字一号；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。