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！

龙图腾网获悉西南交通大学申请的专利数据不完整条件下的动车组齿轮箱轴承剩余寿命预测方法、系统及设备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：CN120354175B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202510512599.5，技术领域涉及：G06F18/24；该发明授权数据不完整条件下的动车组齿轮箱轴承剩余寿命预测方法、系统及设备是由李奕璠;刘可盈;祁广东;梁杰;熊金兴;卢仡涵设计研发完成，并于2025-04-23向国家知识产权局提交的专利申请。

本数据不完整条件下的动车组齿轮箱轴承剩余寿命预测方法、系统及设备在说明书摘要公布了：本发明公开了一种数据不完整条件下的动车组齿轮箱轴承剩余寿命预测方法、系统及设备，通过提取多源域全寿命退化数据和目标域非全寿命退化数据的退化特征；设计多域局部对抗学习策略，实现源域全寿命退化特征和目标域非全寿命退化特征的退化阶段对齐和分布特性对齐，精准挖掘两类退化特征的公共退化信息，进而构建精度高且泛化能力强的预测器；以总训练损失函数为优化目标，获得训练好的多域局部对抗学习剩余寿命预测模型，从而实现对轴承剩余寿命的准确预测。本发明能够实现具有不同退化阶段和不同分布特性的源域全寿命退化数据和目标域非全寿命退化数据的有效特征对齐，进而提升了数据不完整条件下动车组齿轮箱轴承剩余寿命预测的准确性和泛化性。

本发明授权数据不完整条件下的动车组齿轮箱轴承剩余寿命预测方法、系统及设备在权利要求书中公布了：1.一种数据不完整条件下的动车组齿轮箱轴承剩余寿命预测方法，其特征在于，所述方法包括： 采集多个运行工况下的动车组齿轮箱轴承全寿命振动信号和非全寿命振动信号并进行预处理，依据全寿命退化情况划分为多源域数据集和目标域数据集； 基于特征提取网络对各源域全寿命退化数据和目标域非全寿命退化数据进行退化特征的提取，获得各源域全寿命退化特征和目标域非全寿命退化特征； 设计多域局部对抗学习策略，通过引入权重域鉴别器和对抗域鉴别器，实现各源域全寿命退化特征和目标域非全寿命退化特征的退化阶段对齐和分布特性对齐，并挖掘出兼具各源域与目标域的公共退化信息； 其中，通过权重域鉴别器评估各源域全寿命退化特征与目标域非全寿命退化特征在退化阶段上的匹配程度，并生成可迁移权重，有针对性地筛选出与目标域非全寿命退化特征当前退化阶段最相关的源域全寿命退化特征，具体步骤包括： 针对目标域非全寿命退化特征与个源域全寿命退化特征，构建个权重域鉴别器； 在训练过程中，将每个源域全寿命退化特征标注为正类，目标域非全寿命退化特征标注为负类，并利用二分类交叉熵损失函数对相应的权重域鉴别器进行监督训练，第j个权重域鉴别器的损失函数定义如下： 其中，表示第j个权重域鉴别器；表示分布函数的期望值；表示第j个源域全寿命退化特征服从其对应的分布；表示目标域非全寿命退化特征服从其对应的分布； 在每个训练批次中，利用构建的权重域鉴别器分别计算各源域全寿命退化特征和目标域非全寿命退化特征隶属于各自域的置信度，并将两类退化特征的置信度转换为可迁移权重，为退化阶段对齐提供量化依据，具体表示为： 其中，为第j个源域全寿命退化特征被判定为源域的置信度；为目标域非全寿命退化特征被判定为目标域的置信度；为目标域样本；为常数；可迁移权重始终处于0,1之间，越接近1，表示源域全寿命退化特征和目标域非全寿命退化特征的退化阶段越接近，此时源域全寿命退化特征具有较高的迁移价值，反之表示两者的退化阶段存在较大差异； 针对各源域，表示源域数量，对可迁移权重进行L2正则化，正则项定义如下： 其中，表示逐元素相乘，为源域样本总数； 基于L2正则化后的可迁移权重对各源域全寿命退化特征进行有针对性的筛选，强化与目标域非全寿命退化特征处于相同退化阶段的源域全寿命退化特征，抑制与目标域非全寿命退化特征处于不同退化阶段的源域全寿命退化特征，从而实现退化阶段的对齐，具体计算过程如下： 其中，为第j个L2正则化后的可迁移权重； 其中，引入对抗域鉴别器，将退化阶段对齐后的各源域全寿命退化特征与目标域非全寿命退化特征映射至同一特征空间，促使不同分布特性下两类退化特征的有效传递和融合，从而挖掘出兼具各源域与目标域的公共退化信息，具体步骤包括： 构建个对抗域鉴别器，分别对来自退化阶段对齐后的源域退化特征和目标域退化特征进行判别，并基于二分类交叉熵损失函数计算各对抗域鉴别器的判别损失： 其中，表示第j个对抗域鉴别器；表示分布函数的期望值；表示第j个退化阶段对齐后的源域全寿命退化特征服从其对应的分布；表示目标域非全寿命退化特征服从其对应的分布； 同时，在特征提取器与对抗域鉴别器之间引入梯度反转层以实现对抗学习，促使特征提取器学习到各源域与目标域的公共退化信息，以进一步实现各源域和目标域的特征对齐； 利用融合公共退化信息的各源域全寿命退化特征及对应的剩余寿命真实标签，采用监督学习方式构建预测器； 以总训练损失函数为优化目标，对特征提取网络、权重域鉴别器、对抗域鉴别器及预测器的网络参数进行调整，直至获得训练好的多域局部对抗学习剩余寿命预测模型； 利用训练好的多域局部对抗学习剩余寿命预测模型对目标域非全寿命退化数据进行测试，获得剩余寿命结果。

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西南交通大学，其通讯地址为：610031 四川省成都市金牛区二环路北一段；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。