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基于多工况动态聚类的航空发动机群体健康评价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：CN120822059B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202511292077.5，技术领域涉及：G06F18/2321；该发明授权基于多工况动态聚类的航空发动机群体健康评价方法是由马松;孟雨琪;唐维昌;隋岩峰;徐易;刘晓冬;卞孟春设计研发完成，并于2025-09-11向国家知识产权局提交的专利申请。

本基于多工况动态聚类的航空发动机群体健康评价方法在说明书摘要公布了：基于多工况动态聚类的航空发动机群体健康评价方法，属于航空发动机健康状态评估领域。首先，对发动机运行数据中的设定参数进行聚类分析，对小规模异常簇进行归并处理得到工况类别划分结果；其次，构建健康基线数据集，对工况类别划分结果中的样本数据进行标准化预处理、非线性降维得到低维特征数据集；再次，采用高斯混合模型对低维特征数据集进行聚类分析，计算各聚类类别的样本与健康参考中心的平均马氏距离，得到不同聚类类别对应的多级健康等级；最后，通过融合隶属软概率与样本个体马氏距离，构建连续型健康评分并得到健康等级判定区间。本发明能够有效识别不同工况下的健康状态特征，支持个体差异建模与群体横向对比评估，提高准确性。

本发明授权基于多工况动态聚类的航空发动机群体健康评价方法在权利要求书中公布了：1.基于多工况动态聚类的航空发动机群体健康评价方法，其特征在于，所述航空发动机群体健康评价方法包括以下步骤： 步骤1，使用无监督的基于密度的层次聚类算法，对发动机运行数据中的设定参数进行聚类分析，实现对工况类别的自适应划分，并对小规模异常簇进行归并处理，得到稳定的工况类别划分结果； 步骤2，在工况类别划分结果中的各工况类别下分别构建健康基线数据集，采用健康基线数据集对工况类别划分结果中的所有样本数据进行标准化预处理，使用UMAP算法对标准化处理后的数据进行非线性降维，最终得到低维特征数据集； 具体为： 步骤2.1，首先设定一个最小周期阈值，对步骤1得到的工况类别划分结果进行筛选，确定健康期运行周期长度的发动机个体；并提取发动机个体的健康状态下的运行样本数据，根据运行工况号分别归档，得到每个工况类别下的健康基线数据集； 步骤2.2，根据运行工况号，将工况类别划分结果中的所有运行周期样本按工况类别分组，进行标准化处理，得到高维特征数据； 步骤2.3，将步骤2.2标准化处理后的高维特征数据输入UMAP算法；设定降维目标维度范围从1到N，并通过随机采样取高维特征数据中部分代表性样本；根据不同目标维度分别对随机采样样本进行多轮降维结构学习，得到N种降维结果； 步骤2.4，对步骤2.3得到的N种降维结果分别计算每个目标维度下的K近邻可信度指标，评估N种降维结果对步骤2.2得到的高维特征数据结构的保真度，选择K近邻可信度指标值最高，即保真度最高的目标维度作为最终目标维数； 步骤2.5，根据步骤2.4得到的最终目标维数，将步骤2.2得到的高维特征数据全部输入UMAP算法，得到降维后的低维特征数据集； 步骤3，采用高斯混合模型对步骤2得到的低维特征数据集进行聚类分析，并通过计算各聚类类别的样本与健康参考中心的平均马氏距离，得到不同聚类类别对应的多级健康等级； 具体为： 步骤3.1，将步骤2.5得到的低维特征数据集输入高斯混合模型进行无监督聚类，预设代表希望得到的健康等级类别数的聚类数目和协方差结构，自动学习各工况类别下样本数据的概率分布特征；为每一个工况类别分别独立建模，确保健康等级划分与工况特性紧密关联； 采用EM算法学习，最终得到每个工况类别下的高斯混合模型参数，包括各聚类中心均值向量、协方差矩阵以及步骤2.5得到的低维特征数据集中每个样本的聚类类别和隶属软概率，用于后续的等级划分与健康评分； 步骤3.2，在每个工况类别下，以步骤2.1中得到的健康基线数据集中的样本在步骤3.1中对应聚类的聚类中心为健康参考中心；基于步骤2.5得到的低维特征数据集，在每个工况类别中随机抽取一部分样本，计算该工况类别下每个抽取的样本与该工况类别下健康参考中心之间的马氏距离，并统计抽取样本在步骤3.1中所属的聚类类别，最终计算得到每个聚类类别下所有抽取样本与健康参考中心的平均马氏距离，用以度量每个聚类类别的运行状态、及其健康状态与健康参考中心的偏离程度； 步骤3.3，根据步骤3.2中得到的每个聚类类别的平均马氏距离的大小，对聚类类别进行健康等级排序，平均马氏距离越大表示健康程度越低，最终得到排序结果即多级健康等级； 步骤4，通过融合隶属软概率与样本个体马氏距离，构建连续型健康评分并得到健康等级判定区间； 具体为： 步骤4.1，在每一工况类别下，利用步骤3.1中得到的高斯混合模型参数，提取其中每个样本的聚类类别和隶属软概率，根据聚类类别在步骤3.3中得到的健康等级为各等级人为设定权重，对任一样本，其隶属软概率记为，隶属软概率结合权重得到加权初始健康评分公式如下： 3 对进行min-max归一化处理，使其被映射到区间内，得到归一化后的初始健康评分记为；此时，，表示由步骤3.1中得到的聚类类别和隶属软概率反映的个体健康状态风险程度； 步骤4.2，为反映每个发动机运行周期样本个体相对步骤3.1中得到的所属聚类类别的聚类中心的偏离程度，计算样本到所属类别聚类中心的个体马氏距离，并将个体马氏距离标准化为偏离度指标；将偏离度指标按可调融合系数与步骤4.1得到的归一化后的初始健康评分记为进行加权融合，并截断至，得到综合连续型健康评分，公式如下： 4 其中，为可调融合系数，分别为样本个体马氏距离的最小值和最大值； 步骤4.3，基于步骤3.3得到的健康等级与步骤4.2得到的综合健康评分，得到健康等级判定区间。

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。