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！

龙图腾网获悉浙大城市学院;德清申达机器制造有限公司申请的专利基于慢特征信息增益比的轨迹相似性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：CN116306217B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202211599701.2，技术领域涉及：G06F30/27；该发明授权基于慢特征信息增益比的轨迹相似性剩余寿命预测方法是由王鹏飞;薛斌;许忠斌;黄兴;吴烨涛;叶如清;林增荣;成明祥设计研发完成，并于2022-12-12向国家知识产权局提交的专利申请。

本基于慢特征信息增益比的轨迹相似性剩余寿命预测方法在说明书摘要公布了：本发明公开一种基于慢特征信息增益比的轨迹相似性剩余寿命预测方法，首先获取退役设备全生命周期的多维状态监测数据，对经过特征筛选和归一化后的状态监测数据采用慢特征分析求解，再采用矩阵广义特征值求解结合慢特征信息增益比定义得到数据融合最优特征向量，退役单元的处理后的多维状态监测数据与最优特征向量相乘得到健康指标曲线；采用同样的特征筛选、特征归一化、非线性扩展和矩阵白化对在役机械设备的多维状态监测数据退化曲线进行处理，得到其对应的健康指标曲线，将该曲线指定段与健康指标曲线进行匹配，满足相似度筛选要求的曲线段可给出在役设备的剩余寿命预测结果。本发明可用于各类有全生命周期状态监测数据的复杂机械设备中。

本发明授权基于慢特征信息增益比的轨迹相似性剩余寿命预测方法在权利要求书中公布了：1.一种基于慢特征信息增益比的轨迹相似性剩余寿命预测方法，其特征在于，该方法分为离线训练阶段和在线监测阶段； 所述的离线训练阶段具体为： 1获取由多维传感器采集的M个同类机械设备运行至失效的状态监测数据，当状态监测数据为非过程数据时，采用特征提取方法提取退化过程的特征量；当状态监测数据为过程数据时，所述状态监测数据直接作为退化过程的特征量； 2将退化过程的特征量进行特征筛选，并按照运行工况进行归一化处理； 3对于归一化后的退化过程的特征量，基于慢特征求解框架和信息增益比指标值定义，采用矩阵广义特征值求解得到特征融合向量； 4基于所述特征融合向量和所述慢特征求解框架中的非线性扩展函数，得到M条原始健康指标曲线； 5根据所述原始健康指标曲线的局部斜率值，划定健康阶段和退化阶段，并将退化阶段的原始健康指标曲线保存至退化轨迹曲线库； 所述的在线监测阶段包括： S1：获取在役的机械设备运行至当前阶段的状态监测数据，执行和离线阶段相同的特征提取、特征筛选和归一化处理； S2：基于离线阶段得到的特征向量和慢特征求解框架中的非线性扩展函数，得到在役设备健康指标曲线； S3：采用时间窗截取在役设备健康指标曲线，并将截取的时间窗曲线与离线阶段获得的M条原始健康指标曲线逐段进行相似度计算，选取每条原始健康指标曲线中与截取的时间窗曲线相似度大于设定阈值的曲线段作为预测参考样本； S4：根据最终预测参考样本得到剩余寿命预测结果； 对于归一化后的退化过程的特征量，基于慢特征求解框架和信息增益比指标值定义，采用矩阵广义特征值求解得到特征融合向量，通过如下子步骤来实现： 1对归一化后的特征xi,j,k进行非线性扩充函数扩充和白化处理，得到非线性扩展特征zi,j',k＝whitenhxi,j,k；其中，i表示第i个退役设备，j表示第j个特征维度，j'表示第j个非线性扩展后的特征维度，k表示第k个监测时间步，h表示非线性扩充函数，whiten表示白化操作； 2采用线性组合的形式对扩充和白化处理后的数据zi,j',k进行维度融合，得到融合后的健康指标值di,k＝zi,j',kω，其中ω为融合权重； 3定义慢特征信息增益比SNRs： 其中，De为记录初始值和终值之间的差值的特征范围矩阵，De的每行表示每个退役单元，每列则表示非线性扩展后的多维状态监测特征，其表达式如下式2： 式1中1表示全为1的列向量，Q＝I-OMM-1Δt∈RM×M是对称矩阵，Δt为方差分析长度，O是全为1的方阵，I是单位矩阵，Zj为记录失效前倒数j+1个值的矩阵，其表达式如下式3所示： 式1中为第i退役单元非线性扩充变量的一阶差分矩阵，其表达式如下式4所示： 4使 将公式1简化为： Aω＝λBω5 其中，λ＝SNRs； 5求解公式2，得到λ的最大值λmax，即为SNRs的最大值，此时对应的ω即为最优特征融合向量ω*。

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浙大城市学院;德清申达机器制造有限公司，其通讯地址为：310015 浙江省杭州市拱墅区湖州街51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。