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！

龙图腾网获悉浙江大学申请的专利基于特征-模型迁移的航空发动机剩余使用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：CN116306241B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202310089533.0，技术领域涉及：G06F30/27；该发明授权基于特征-模型迁移的航空发动机剩余使用寿命预测方法是由徐正国;赵若晴;孔子迁;阙子俊设计研发完成，并于2023-02-09向国家知识产权局提交的专利申请。

本基于特征-模型迁移的航空发动机剩余使用寿命预测方法在说明书摘要公布了：本发明公开了一种基于特征‑模型迁移的航空发动机剩余使用寿命预测方法。本发明基于特征‑模型迁移，在数据预处理阶段，本发明选取航空发动机的状态监测参数和操作参数作为卷积神经网络的输入，并对数据进行归一化和滑动时间窗处理，划分出源域数据和目标域数据。在构建卷积神经网络阶段，本发明选用多层卷积层以充分提取数据特征。在特征‑模型迁移阶段，本发明先利用源域带标签数据和目标域不带标签数据进行特征迁移，之后利用目标域带标签数据对特征迁移后的模型微调，进行模型迁移，以充分利用源域数据和目标域数据。结果表明，本发明基于特征‑模型迁移学习的模型在目标域的测试集上可以取得较好的预测效果。

本发明授权基于特征-模型迁移的航空发动机剩余使用寿命预测方法在权利要求书中公布了：1.一种基于特征-模型迁移的航空发动机剩余使用寿命预测方法，其特征在于，包括如下步骤： S1、利用航空发动机状态监测参数和操作参数的历史数据创建训练数据集，并对训练数据集进行预处理，形成源域带标签数据、目标域不带标签数据和目标域带标签数据； S2、构建由多层卷积层、全连接层和输出层级联而成的卷积神经网络，网络输入为航空发动机状态监测参数和操作参数，网络输出为航空发动机剩余使用寿命； S3、将源域带标签数据和目标域不带标签数据同时输入至卷积神经网络，进行特征迁移，之后使用目标域带标签数据对特征迁移后的模型进行模型迁移； S4、将待预测的目标域航空发动机状态监测参数和操作参数数据输入至经过特征迁移和模型迁移后的卷积神经网络中，卷积神经网络的输出即为该航空发动机的剩余使用寿命； 所述步骤S3具体包括以下步骤： S301、将源域带标签数据和目标域不带标签数据输入至卷积神经网络，由堆叠的卷积层对输入数据进行特征提取，然后在全连接层和输出层进行领域自适应，实现源域和目标域之间的特征迁移； S302、冻结经过特征迁移后的卷积神经网络中的卷积层，但保持全连接层和输出层为可训练状态，将目标域带标签数据输入至卷积神经网络重新训练，通过微调实现模型迁移； 在步骤S301中，源域带标签数据和目标域不带标签数据经过多层卷积层后，在全连接层和输出层分别进行领域自适应，领域自适应的过程如下： 利用最大均值差异Maximummeandiscrepancy，MMD方法度量源域带标签数据和目标域不带标签数据在全连接层和输出层的分布距离，计算领域自适应损失计算方法为： ld＝MMDD′S,D′T+σ*MMDD″S,D″T 其中，ld为领域自适应损失和，D′S,D′T分别代表源域带标签数据和目标域不带标签数据在全连接层的输入数据，D″S,D″T分别代表源域带标签数据和目标域不带标签数据在输出层的输入数据；σ为两层域适应损失的加权比值，为模型的超参数；其中最大均值差异方法中使用的核函数采用多个径向基核函数之和； 再计算基于领域自适应的特征迁移的总损失为： loss＝lpre+αld 上式中，lpre为源域带标签数据的预测剩余使用寿命和真实剩余使用寿命标签值之间的均方误差损失；α为总损失中领域适应损失所占权重，α也作为模型的超参数； 最后，将总损失反向传播，使用Adam优化器对卷积神经网络的模型参数进行优化。

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江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。