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！

龙图腾网恭喜北京石油化工学院申请的专利一种基于动态参数学习的机电设备跨域剩余寿命预测方法及系统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：CN119622506B 。

龙图腾网通过国家知识产权局官网在2025-05-23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：202411670028.6，技术领域涉及：G06F18/2415；该发明授权一种基于动态参数学习的机电设备跨域剩余寿命预测方法及系统是由蓝波;石衍达;朱亚东洋;张晓燕;张路纲设计研发完成，并于2024-11-21向国家知识产权局提交的专利申请。

本一种基于动态参数学习的机电设备跨域剩余寿命预测方法及系统在说明书摘要公布了：本发明公开了一种基于动态参数学习的机电设备跨域剩余寿命预测方法及系统，包括：获取机电设备的源域数据和目标域数据，并对所述源域数据和所述目标域数据进行预处理；利用特征提取器先独立在有标签的源域数据上进行预训练，使特征提取器对源域数据有特征提取能力；利用领域自适应方法训练特征提取器，使特征提取器能够从预处理后的所述源域数据和所述目标域数据中均能提取有效的高维度数据特征；在推理阶段，仅应用特征提取器和分类器对机电设备的剩余寿命进行预测。本发明通过实时的剩余寿命预测，企业能够提前制定预防性维护计划，延长设备使用寿命，降低故障率和维护成本，提升整体运营效率和设备可靠性。

本发明授权一种基于动态参数学习的机电设备跨域剩余寿命预测方法及系统在权利要求书中公布了：1.一种基于动态参数学习的机电设备跨域剩余寿命预测方法，其特征在于，包括以下步骤：获取机电设备的源域数据和目标域数据，并对所述源域数据和所述目标域数据进行预处理；利用特征提取器先独立在有标签的源域数据上进行预训练，使特征提取器对源域数据有特征提取能力；利用领域自适应方法训练特征提取器，使特征提取器能够从预处理后的所述源域数据和所述目标域数据中均能提取有效的高维度数据特征；在推理阶段，仅应用特征提取器和分类器对机电设备的剩余寿命进行预测；利用领域自适应方法训练特征提取器，使特征提取器能够从预处理后的所述源域数据和所述目标域数据中均能提取有效的高维度数据特征包括：采用对抗网络结构，通过特征判别器判别高维度数据特征来源于源域还是目标域；通过分类器针对在源域上提取的高维度数据特征进行分类，由分类判别器判别分类结果的对错；特征判别器通过动态参数学习机制，引入动态参数λ和影响因子κ，动态调整特征判别器与分类器之间的权重，使得特征提取器在源域和目标域都能够提取到高维度数据特征；特征判别器通过动态参数学习机制，引入动态参数λ和影响因子κ，动态调整特征判别器与分类器之间的权重，使得特征提取器在源域和目标域都能够提取到高维度数据特征包括：计算条件分布距离Dc；计算边际分布距离Dm；基于条件分布距离Dc和边际分布距离Dm，计算动态参数λ；计算影响因子κ；基于动态参数λ和影响因子κ，构建综合损失函数；计算条件分布距离Dc包括： 式中，C表示类别总数，PsX∣Y＝c和PtX∣Y＝c分别表示源域和目标域在类别c下的条件分布，权重wc定义为：式中，Nc为类别c的样本数量，Ntotal为所有类别的总样本数量，X表示特征空间，Y表示标签空间；计算边际分布距离Dm包括： 式中：L表示层次数量，αl是各层的权重，通常通过经验法则或自动学习确定，PsX和PtX分别表示源域和目标域的边际分布；基于条件分布距离Dc和边际分布距离Dm，计算动态参数λ包括： 式中，α和β为权重参数，用于控制早期和后期λ的调整比例，T为总训练轮数，t为每一轮；计算影响因子κ包括： 式中，γ和δ为权重参数，用于控制早期和后期κ的调整比例；基于动态参数λ和影响因子κ，构建综合损失函数包括：L＝LCls+1-κλ·LDism+λ·LDisc式中，LCls为分类损失，LDism为特征判别器针对边际分布对齐损失，LDisc为特征判别器针对条件分布对齐损失。

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石油化工学院，其通讯地址为：102627 北京市大兴区大兴清源北路19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”。