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！

龙图腾网获悉大连理工大学申请的专利一种基于图结构的航空发动机剩余使用寿命跨域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：CN116720061B 。

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：202310475754.1，技术领域涉及：G06F18/213；该发明授权一种基于图结构的航空发动机剩余使用寿命跨域预测方法是由覃振权;李东升;卢炳先;王雷设计研发完成，并于2023-04-28向国家知识产权局提交的专利申请。

本一种基于图结构的航空发动机剩余使用寿命跨域预测方法在说明书摘要公布了：本发明提出一种基于图结构的航空发动机剩余使用寿命跨域预测方法，包括：对源域与目标域的航空发动机传感器子数据集进行预处理，计算经过选择处理后的传感器数据之间的相关性，构建航空发动机图数据集；设计一种时序图注意力模型的域特征提取模块提取航空发动机的时间依赖关系和空间拓扑依赖关系，在每一层门控循环单元中对不同的传感器进行基于注意力的信息聚合，在捕捉整个时序数据的过程中对每一时刻的传感器拓扑信息进行提取；设计一种域特征分离模块将域不变信息与域专属信息分离，并利用MK‑MMD作为域适应的度量函数，提高迁移性能；最后通过计算损失反向传播更新参数来实现无监督条件下的RUL跨域预测。

本发明授权一种基于图结构的航空发动机剩余使用寿命跨域预测方法在权利要求书中公布了：1.一种基于图结构的航空发动机剩余使用寿命跨域预测方法，其特征在于，步骤如下： 1数据预处理： 利用航空发动机公开数据集C-MAPSS，该数据集有4个子数据集，每个子数据集由一个训练数据集、一个测试数据集和一组测试数据集的真实RUL标签组成；首先对数据集中传感器进行选择，选择所收集数据有明显退化趋势的传感器，删除数值恒定或没有退化趋势的传感器数据，并采用最小最大归一化方法对航空发动机传感器信号做归一化处理；为了充分利用航空发动机的多传感器时序信息，使用固定长度的滑动窗口将整个数据集的时间序列数据拆分成时间维度上的子时间数据；分段线性退化模型通过设定阈值将健康状态的RUL标签设定为固定值，其余RUL标签设置为发动机当前运行时刻至运行失效的时间间隔；将超过阈值M的RUL标签标记为N1，小于M的RUL标签保持不变； 2生成传感器之间的图数据集： 为了获得航空发动机传感器数据的拓扑结构并构建图数据集，将不同传感器的时间序列数据视为图节点，通过计算不同传感器数据之间的相关性来定义每个数据集的图结构，相关性由两个传感器节点之间的Pearson相关系数进行计算，具体如下： ； 其中分别代表不同的样本，代表两个样本之间的协方差；和分别代表两个样本的标准差，和分别代表两个样本的均值，表示数学期望； 只需计算数据集中不同传感器样本之间的Pearson系数，即可根据确定的阈值构建子数据集的传感器图结构；当计算中心节点与其他传感器节点的相关性大于阈值时，认为两个传感器节点在图结构中是连通的，相关性不满足条件的节点不能加入到中心节点的邻居节点集合中；相邻节点集的生成方法如下： ； 其中表示传感器节点的邻居集合，表示判断节点之间是否连通的阈值，代表当两个传感器节点的数据满足条件时返回的节点集合；由此得到图数据集，其中为传感器输入数据，为每个子数据集对应的邻接矩阵，邻接矩阵根据传感器节点的邻居节点集合获得，当节点与节点存在邻居关系时，即存在于中，则，否则；在该邻接矩阵中包含节点自连接，即； 3深层特征提取： 利用改进的时序图注意力模型TGAT对输入的源域和目标域航空发动机传感器数据进行特征提取，得到航空发动机的深层时空特征；特征提取模块由所提出的改进的时序图注意力模型构成，按照处理特征的来源和功能分为三个部分：共享特征提取模块、源域特征提取模块和目标域特征提取模块；共享特征提取模块同时接收源域和目标与的输入数据，用来学习不同领域之间的不受领域变化影响的域不变特征；源域特征提取模块和目标域特征提取模块分别用来学习源域和目标域数据中的专属时序退化信息；最终源域数据和目标域数据通过三个特征提取模块，获得源域域专属特征、目标域域专属特征、源域域不变特征和目标域域不变特征，以及源域域专属融合时空特征、目标域域专属融合时空特征、源域域不变融合时空特征和目标域域不变融合时空特征； 改进的时序图注意力模型的构建过程为： 3.1空间拓扑特征提取 在获得经步骤2处理的图数据集之后，将得到的源域数据和目标域数据输入到图注意力网络GAT中，以更新节点特征；GAT通过计算中心节点与不同邻居节点之间的相关性对不同邻居节点分配不同的权重； 中心节点与不同邻居节点之间的相关性计算方式如下： 其中是中心节点，是相邻节点集合中的邻居节点；为计算相关共享参数，最终通过函数映射为相关系数；计算中心节点与所有相邻节点的相关系数后，得到分配给每个节点的注意力系数，具体如下： 最终通过GAT聚合了每个节点及其一阶邻居的特征，具体的结构定义如下： 其中表示激活函数；最后通过聚合计算得到的整个传感器数据的隐藏状态为表示GAT节点特征聚合操作，表示图中第i个节点特征，为包括节点自连接的邻接矩阵，表示输入的节点特征； 3.2时间特征提取 GRU结构被用于提取航空发动机数据的时间依赖信息；GRU的模型的定义如下： ； 其中和代表重置门和更新门，用于更新t时刻的隐藏状态；其中、、、、、是GRU模型的参数，和分别是激活函数； 3.3时空特征提取 为了更好地提取航空发动机传感器数据的时空特征，设计一种将GAT和GRU的优点相结合的改进的时序图注意力模型TGAT； 首先将每个时刻的图结构传感器数据输入到GAT结构中提取空间拓扑特征，然后将计算得到t时刻的图注意力层输出和GRU结构在t-1时刻的隐藏状态输入到GRU中以提取时间特征，最后通过注意力模块对提取的特征进行融合处理，得到航空发动机传感器数据的时空特征；具体如下： ； 其中代表t时刻传感器数据经过GAT结构得到的空间拓扑特征，代表前一时刻GRU结构输出的隐藏状态；最终得到时空特征； 通过注意力机制融合所有传感器的时空特征进行RUL预测；其计算过程如下： ； 其中表示图中第i个传感器节点特征，表示计算的i个传感器特征各自的权重，表示i个传感器特征各自的权重系数，表示经过一层全连接层的映射处理；将权重系数与对应的特征相乘并求和后，得到基于注意力的融合时空特征的计算方法如下： ； 4域特征分离： 域特征分离模块由源域特征差异计算模块、目标域特征差异计算模块、源域图重构模块、目标域图重构模块、领域差异计算模块和RUL预测模块六个部分构成；域特征分离模块对步骤3得到的源域域专属特征、目标域域专属特征、源域域不变特征和目标域域不变特征进行处理，以及源域域专属融合时空特征、目标域域专属融合时空特征、源域域不变融合时空特征和目标域域不变融合时空特征； RUL预测模块用于计算模型所提取的源域特征对应样本的RUL，通过用标签的源域数据衡量共享特征提取模块的RUL预测能力，对无标签目标域数据的RUL的预测起到引导作用；领域差异计算模块利用MK-MMD度量方法进行域适应，减少跨域数据分布差距的影响，最小化不同域之间的距离；源域特征差异计算模块、目标域特征差异计算模块用于引导共享特征提取模块和域专属特征提取模块学习不同的特征，从而将域不变特征和域专属特征区分；源域图重构模块和目标域图目标重构模块分别用于约束特征提取模型从不同域提取的特征需要保留完整的数据信息；具体如下： 4.1RUL预测模块 为了最小化通过特征提取模块和RUL预测模块得到的预测RUL与源域RUL真实标签之间的差异；对于获得的经过特征融合的源域域不变特征，使用一层全连接层计算不同传感器特征之间的权重， ； 使用均方根误差RMSE作为预测RUL差异的度量，RUL预测模块的损失函数如下： ； 其中是预测的RUL标签，是真实的RUL标签；是每次迭代中源域样本数量； 4.2领域差异计算模块 领域差异计算模块使用MK-MMD来定义不同域之间的距离，具体如下： ； 其中为源域域不变特征，目标域域不变特征表示为，和分别为输入的源域和目标域样本数，为映射函数，将数据映射到再生核希尔伯特空间，表示再生核希尔伯特空间，为多个核一起定义的核函数； 4.3域特征差异计算模块 域特征差异计算模块使域专属特征提取模块和共享特征提取模块学到的特征差异分离，以便在学习域不变特征时明确分离域专属特征；该模块通过正交约束表示不同传感器节点之间的差异，并指导域专属特征提取模块和共享特征提取模块以学习两个域中的不同映射方法；域特征差异损失的计算方法具体如下： ； 其中表示源域特征计算的源域特征差异损失，表示目标域特征计算的目标域特征差异损失，是FrobeniusNorm的平方； 4.4图重构模块 为了防止不同的特征提取模块在域特征分离的过程中学习具有较大差异的特征，而丢失原始数据中包含的原始信息和结构信息，引入了图重构模块以约束不同域中的特征提取模块；图重构模块包括源域图重构模块和目标域图重构模块，使用内积作为解码器来重构原始的邻接矩阵，具体如下： ； 其中表示域专属特征和域不变特征的融合特征，表示融合特征矩阵的转置，代表激活函数；源域和目标域的图重构模块的计算过程表示为和，其中代表将数据进行合并拼接的操作； 为了使图重构模块计算得到的特征邻接矩阵与原始数据图结构的邻接矩阵相似，使用均方误差MSE用作测量原始图结构A和计算出的特征邻接矩阵之间的图重构损失，具体如下： ； 其中表示源域特征计算的源域图重构损失，表示目标域特征计算的目标域图重构损失，和表示源域和目标域的邻接矩阵中图节点的连接情况，其取值为0或1；和代表重构的邻接矩阵的图节点之间的连接情况，其取值在[0，1]之间；表示航空发动机传感器的数量，同时也是航空发动机图数据集的节点数量； 提出针对无监督跨域RUL预测的目标函数： 目标函数由四个部分组成：源域数据的RUL预测损失，领域差异损失，域特征差异损失以及图重构损失； 结合上述四种损失函数，总的目标函数表示为： ； 其中，，和都是预定的参数； 5所提出RUL跨域预测方法性能的评价指标： 该方法中的模型由步骤1至步骤4中描述的计算方法和模块构成，航空发动机数据通过步骤1至步骤4的处理之后，利用计算总损失函数来更新模型参数以训练模型；在模型训练完成后，实现对目标域测试数据的跨域RUL预测；通过预测的目标域RUL值与真实的目标域RUL标签之间的均方根误差来表示跨域RUL预测模性能，公式如下所示： ； 其中和分别是目标域测试数据的预测RUL和真实RUL标签，N3为测试集的总样本数据数量； 除此之外，Score度量通过对延迟的RUL预测施加惩罚来显示预测RUL和真实RUL的先后顺序，以减少延迟RUL预测行为的出现，Score度量的定义如下： ； 其中和分别是目标域测试数据的预测RUL和真实RUL标签，N3为测试集的总样本数据数量。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。