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！

龙图腾网获悉西安理工大学申请的专利数据和模型融合的小样本退化量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：CN116028810B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202211709537.6，技术领域涉及：G06F18/214；该发明授权数据和模型融合的小样本退化量预测方法是由谢国;上官安琪;穆凌霞;李艳恺;金永泽;张春丽;杨延西设计研发完成，并于2022-12-29向国家知识产权局提交的专利申请。

本数据和模型融合的小样本退化量预测方法在说明书摘要公布了：本发明公开了一种数据和模型融合的小样本退化量预测方法，首先通过传感器或者设备记录仪获取关键设备在运行过程中的退化样本D；让通过归一化方法对退化样本进行处理，并将样本划分为退化训练样本及退化测试样本；通过神经网络学习关键设备每一时刻对应的训练样本退化量，得到编码后的退化量与不同时刻的关系函数hi；利用聚合器对不同时刻的关系函数hi进行整合，并计算整合后函数的均值与方差，对均值与方差进行采样，得到隐变量z；最后通过神经网络学习隐变量z与退化测试样本的函数g，得到关键设备退化量预测值。本发明解决了现有技术中存在的单一传统随机过程及神经网络方法对退化量建模及预测效果较差的问题。

本发明授权数据和模型融合的小样本退化量预测方法在权利要求书中公布了：1.数据和模型融合的小样本退化量预测方法，其特征在于，具体按照以下步骤实施： 步骤1、通过传感器或者设备记录仪获取关键设备在运行过程中的退化样本D； 步骤2、通过归一化方法对退化样本进行处理，并将样本划分为退化训练样本及退化测试样本； 所述步骤2具体如下： 步骤2.1、设原始的退化样本D1:m={T1:m,X1:m}， ，， 其中，代表关键设备的整体退化样本，表示第j个关键设备退化样本，表示退化样本总数，表示第i个监测时刻，为记录的整个监测时长，表示第j个关键设备在第i个时刻处的退化量；代表整个样本观测时长，表示第i个观测时刻； 步骤2.2、通过最大最小归一化方法，将关键设备退化样本X1:m归一化为同一量纲，过程如公式1所示： 1 其中，表示第j个关键设备在Ti时刻对应的退化量，是第j个关键设备在整个监测时间中的退化量最大值，是第j个关键设备在整个监测时间中的退化量最小值，是第j个关键设备在Ti时刻对应的归一化后的退化量； 因此得到归一化后的退化样本={}， ，， 其中，代表归一化后的关键设备整体退化样本； 步骤2.3、假设退化量训练样本时长为n，则测试样本时长为m-n-1，因此，得到归一化后的退化训练样本为={}，归一化后的退化测试样本为={}； 步骤3、通过神经网络学习关键设备每一时刻对应的训练样本退化量，得到编码后的退化量与不同时刻的关系函数hi； 所述步骤3具体如下： 通过步骤2得到归一化后的训练样本={}，每一时刻对应的退化量为，…,，…,，其中，，也就是每一时刻Ti对应着l个关键设备训练样本退化量，然后，通过神经网络学习每一时刻Ti与训练样本退化量之间的关系函数，也就是得到了n个关系函数，其中，是Ti时的设备训练样本退化量，n是退化量训练样本时长，NN表示神经网络，神经网络NN为反向传播神经网络BPNN，或者循环时间网络RNN； 步骤4、利用聚合器对不同时刻的关系函数hi进行整合，并计算整合后函数的均值与方差，对均值与方差进行采样，得到隐变量z； 所述步骤4具体如下： 步骤4.1、通过步骤3得到通过神经网络训练后的每一时刻Ti与训练样本退化量之间的关系函数，采用平均聚合器对n个关系函数进行聚合，如公式2所示： 2 其中，r是聚合结果，n是退化量训练样本时长； 步骤4.2、计算聚合结果均值与方差，再对均值与方差进行采样，得到服从正态分布的隐变量； 步骤5、最后结合步骤2得到的退化测试样本与步骤4得到的隐变量z，通过神经网络学习隐变量z与退化测试样本的函数g，得到关键设备退化量预测值， 所述步骤5具体如下： 步骤5.1、假设归一化后的退化样本服从高斯过程时，根据贝叶斯公式，得到基于高斯过程的退化样本分布，如公式3所示： 3 其中，是归一化后的整体退化样本，表示归一化后的退化样本的概率密度函数，是整体退化样本监测时间，是退化样本监测时间的分布，由于服从高斯过程，服从高斯分布，因此，如公式4所示： 4 将公式4带入公式3中，得退化样本分布，如公式5所示： 5 因此，基于高斯过程的退化样本分布也服从高斯分布； 步骤5.2、通过神经网络NN学习测试样本中每一监测时间与隐变量z之间的关系函数，将随机过程fT利用描述，即就是将关系函数代替fT，结合测试退化样本Dn+1:m={}，公式5变为： 6 其中，是隐变量与测试样本退化量的联合分布，是隐变量先验分布，表示测试样本中第v个监测时间与隐变量z之间的关系函数； 步骤5.3、根据积分和关系，基于整体退化样本监测时间与训练样本退化量，测试样本退化量分布如公式7所示： 7 其中，是基于隐变量z的测试样本退化量分布积分值，是整体退化样本监测时间与训练样本退化量的条件下，测试样本退化量分布，进而得出测试样本退化量与隐变量相关； 通过步骤4得到服从正态分布的隐变量，结合对数与KL散度运算法则，获取测试样本退化量分布的证据下界函数，计算过程如公式8所示： 8 其中，是服从正态分布的隐变量z的分布，是基于整体退化样本条件下服从正态分布的隐变量z的分布的近似值，是基于服从正态分布的隐变量的分布的近似值的期望； 通过对证据下界函数求极值,得到测试样本退化量分布结果，然后对测试样本退化量分布进行采样，得到测试样本退化量预测值。

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安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路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。