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！

龙图腾网获悉北京理工大学申请的专利一种基于元学习的小样本涡轮叶片损伤参数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：CN116701943B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202310809069.8，技术领域涉及：G06F30/27；该发明授权一种基于元学习的小样本涡轮叶片损伤参数预测方法是由黄渭清;李宁;李冬伟;刘开霖设计研发完成，并于2023-07-03向国家知识产权局提交的专利申请。

本一种基于元学习的小样本涡轮叶片损伤参数预测方法在说明书摘要公布了：一种基于元学习的小样本涡轮叶片损伤参数预测方法，属于涡轮叶片疲劳寿命评估预测领域。结合涡轮叶片各典型位置服役过程中的受载特性，将涡轮叶片不同截面高度处的各典型位置视为不同服役任务；采用元学习模型，对不同服役时间下涡轮叶片各位置处的损伤参数进行有效预测，提高叶片利用率，降低使用成本；针对涡轮叶片服役数据具有典型的时序相关性，但时间序列过短的问题，以LSTM网络为基模型，将每个典型位置的完整时间序列样本打包为一个“伪样本”参与模型训练，在利用元学习解决小样本预测问题的同时利用样本的时序相关性提高模型的预测精度；本发明适用于涡轮叶片疲劳寿命评估预测领域，为航空发动机涡轮叶片的合理判废提供技术支持。

本发明授权一种基于元学习的小样本涡轮叶片损伤参数预测方法在权利要求书中公布了：1.一种基于元学习的小样本涡轮叶片损伤参数预测方法，其特征在于：包括如下步骤， 步骤1、获取不同服役时间下涡轮叶片各典型位置处的微观组织图片； 步骤2、计算不同服役时间下涡轮叶片典型位置处的微观组织损伤参数； 步骤2的实现方法为， 步骤2.1：将拍摄的微观组织图片以相同尺寸进行剪裁，并进行初步筛选，剔除由于切片表面处理问题或拍摄问题产生的低质量样本； 步骤2.2：对步骤2.1中初筛得到的图片进行二值化处理，二值化处理方式包括但不限于OSTU二值化、局部阈值化以及三角阈值化； 步骤2.3：将二值化后的灰度图片放入图片处理软件中进行测量，得到各位置处的微观组织形貌参数，包括但不限于强化相平均面积大小，强化相长短轴比值； 步骤2.4：将各涡轮叶片榫头位置处的微观形貌参数和涡轮叶片各位置处的形貌参数作比值，进行无量纲化，并将此比值定义为损伤参数； 步骤3、利用步骤2得到的不同服役时间下各位置处的损伤参数，建立元学习模型训练数据集； 步骤3的实现方法为， 步骤3.1：针对不同服役时间下各位置所取的多组数据进行统计筛选，剔除明显的噪点，减小错误数据对模型训练结果的影响； 步骤3.2：将所有数据按照不同位置进行分类，分为不同的训练任务，每个训练任务中包含该位置在所有服役时间下的多组数据，按照一定比例将不同的训练任务随机划分为训练集与测试集； 步骤3.3：将每个训练任务中的数据按照服役时间序列进行排列分组，每组数据包含所有服役时间下的一个损伤参数，按照一定的比例，将其中一部分组划分为支持集，其余的划分为查询集； 步骤3.4：将步骤3.3中所得的每个组中数据按照服役时间关系进行排列，将每一组具有完整的时间序列数据的几个样本包装为一个“伪样本”； 步骤4、将步骤3中所获得的训练数据以“伪样本”为最小单位进行合并，构建基础模型的训练数据集，并按照比例进行训练集、验证集划分，通过训练结果调整基础模型的模型结构，确定在当前数据集下的最优模型架构； 步骤5、应用步骤4中得到的模型架构，构建损伤参数预测的元学习模型，并使用步骤3中所得到的训练集对元学习模型进行训练； 步骤5的实现方法为， 步骤5.1：定义元学习模型梯度更新规则；元学习模型中设置两个具有相同模型架构的模型，分别为基模型与元模型，模型架构与步骤4中所得到的模型相同；在每个训练任务中，将元模型的模型参数Φ0赋给基模型，让基模型在训练任务的支持集S上进行一次训练得到，使用在查询集Q上进行预测，并得到损失函数loss,loss的计算公式为： 式中n为当前任务下参与训练的样本个数，为在该模型下得到的预测值，为训练任务的真实标签值；由每个任务下的样本损失进而得到元学习模型的总损失； 计算损失函数loss对的梯度G1，该梯度即为元模型的更新梯度，将该梯度乘以元模型的学习率应用于元模型参数Φ，得到更新后的元模型参数Φ1，完成当前任务下的训练； 在一轮训练中，完成所有训练任务时元学习模型的总损失为： 式中m为训练任务的任务总数，n为训练任务中的样本数，为在任务j中的样本i通过模型得到的预测值，为任务j中样本i的标签值； 利用该损失值计算基模型中各参数的梯度，将梯度乘以元模型的学习率应用于元模型参数中，实现元学习模型的一个epoch的更新，元模型在一个epoch中的梯度下降公式为： 式中为训练后的元模型参数，为元模型的初始参数，为学习率； 步骤5.2：定义元学习模型训练过程中的训练数据选取规则：在划分好的训练集中有放回地选取训练任务，每次选取一个训练任务放入元学习模型中进行训练，直至训练任务全部完成，即完成一个epoch训练，重复该过程，直至达到设定训练循环数，退出训练，返回训练好的元学习模型； 步骤5.3：将步骤4中得到的模型架构应用于元学习模型，构建元学习模型；使用步骤3中所得到的训练集对元学习模型进行训练，并使用验证集对模型训练参数进行调整； 步骤6、使用测试集对步骤5中获得的元学习模型精度进行测试，验证模型可靠性，若精度满足要求，则将模型用于涡轮叶片损伤参数预测；若精度不满足要求，则返回步骤4，对模型进行调整，直至精度满足使用需求。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。