買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉哈爾濱工業大學(威海)申請的專利基于層次圖結構與馬爾可夫殘差修正的損傷趨勢預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120217029B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510659995.0，技術領域涉及：G06F18/23213；該發明授權基于層次圖結構與馬爾可夫殘差修正的損傷趨勢預測方法是由付旭云;王喆;鐘詩勝設計研發完成，并于2025-05-22向國家知識產權局提交的專利申請。

本基于層次圖結構與馬爾可夫殘差修正的損傷趨勢預測方法在說明書摘要公布了：本發明涉及復雜裝備損傷檢測技術領域，具體的說是一種在預測精度與泛化能力方面均優于傳統時間序列回歸模型的基于層次圖結構與馬爾可夫殘差修正的損傷趨勢預測方法，建立了基于層次圖結構與馬爾可夫殘差修正的損傷趨勢預測模型，所述基于層次圖結構與馬爾可夫殘差修正的損傷趨勢預測模型包括預測模塊和修正模塊，其中預測模塊將發動機孔探檢查獲取的損傷尺寸數據轉化為圖結構，構建了層次化圖結構的損傷預測網絡對圖結構進行處理，將損傷趨勢預測問題轉化為圖中節點間邊權重的預測，揭示了損傷數據之間的內在聯系；修正模塊則設計了基于多類馬爾可夫鏈的殘差修正方法，從而構建馬爾科夫鏈模型對預測結果進行修正。

本發明授權基于層次圖結構與馬爾可夫殘差修正的損傷趨勢預測方法在權利要求書中公布了：1.一種基于層次圖結構與馬爾可夫殘差修正的損傷趨勢預測方法，其特征在于，建立基于層次圖結構與馬爾可夫殘差修正的損傷趨勢預測模型，所述基于層次圖結構與馬爾可夫殘差修正的損傷趨勢預測模型包括預測模塊和修正模塊，其中預測模塊將發動機孔探檢查獲取的損傷尺寸數據轉化為圖結構，構建了層次化圖結構的損傷預測網絡對圖結構進行處理，將損傷趨勢預測問題轉化為圖中節點間邊權重的預測，揭示了損傷數據之間的內在聯系；修正模塊則設計了基于多類馬爾可夫鏈的殘差修正方法，用于對發動機損傷數據進行聚類，將尺寸演化轉化為類別間的轉移關系，并結合圖結構的動態更新特性獲取殘差觀測序列，從而構建馬爾科夫鏈模型對預測結果進行修正； 預測模塊的具體計算步驟如下： 步驟1：定義節點與邊，定義損傷數據圖的節點集，每個節點對應一次孔探檢查記錄，其特征為檢測到的損傷尺寸數據；接著，定義有向邊集，對于每個節點，根據每個孔探檢查的時間順序建立有向邊，表示檢測順序與損傷的增大趨勢；最后，定義邊權，邊的權重為兩次孔探檢查之間的時間間隔，即飛行循環數，基于上述設定，對單臺發動機的孔探檢查數據，構造有向圖定義如下：（15），式中，代表圖的節點集合，，其中節點數為，代表有向邊集合，，代表邊權集合，，表示與之間的邊權，在此基礎上，得到圖的鄰接矩陣的定義如式16所示： （16），式中：代表鄰接矩陣的元素，通過這樣構造的形式，能夠反應損傷尺寸增大趨勢的同時，將時間間隔信息也編碼到邊權中； 步驟2：過濾異常節點，根據損傷演變的趨勢，每條邊應當從損傷尺寸較小的節點指向損傷尺寸較大的節點，如果檢測到某條邊的方向與此規則相反，即存在由損傷尺寸較大的節點指向損傷尺寸較小的節點，表明該節點對存在異常，需要將該異常邊以及對應的損傷尺寸較小的節點從圖中移除，以清除錯誤的損傷記錄，如式17所示：（17），式中，代表鄰接矩陣的元素,代表節點的特征值,代表節點的特征值; 步驟3：機隊圖結構構建，將單臺發動機從第一次記錄了損傷數據的孔探檢查，到最后損傷超標時進行的孔探檢查獲取的損傷數據，所構建出的損傷數據圖作為子圖,引入全局節點將同一機隊的各子圖合并，以提高模型對損傷數據的整合與泛化能力，在這里，全局節點代表機隊中整體損傷演化趨勢的全局參考基準,具體如下：首先，將全局節點的特征向量設置為零向量，表示發動機尚未產生任何損傷，損傷尺寸為0，如式18所示:18,式中，代表全局節點的特征， 接著，構建全局節點與各子圖節點的邊連接，方向固定為從全局節點指向檢測節點，在此基礎上，根據發動機從投入運行到各個孔探檢查操作所經過的飛行循環數來確定邊的權重，設孔探檢查節點所記錄的對應飛行循環數為，即發動機從投入運行到該孔探檢查時累計的飛行循環數，則全局節點指向檢測節點的邊權重如式19所示： （19）， 以此可以定義全局邊的鄰接矩陣元素為： （20）， 式中，代表全局邊鄰接矩陣的元素， 最終，將每臺發動機構建的單個圖合并，形成完整的機隊圖結構，用于模型訓練，記機隊圖結構的表達為： （21）， 式中，代表機隊中民航發動機的總數，代表機隊中的損傷數據子圖結構，代表機隊中索引為的民航發動機；接下來利用圖神經網絡提取特征和預測損傷數據間隔，其中預測模塊編碼器網絡由兩個子網絡組成，分別為用于局部特征提取的雙層圖卷積網絡與用于全局信息融合的圖注意力機制網絡，先通過雙層圖卷積進行局部特征提取，設初始節點嵌入為，即各檢測記錄的原始損傷尺寸數據，對于每個節點，雙層圖卷積的對每個節點進行領域信息聚合的更新公式為： （22）， （23）， 式中，代表模型第一、二層用于輸入邊的可學習權重矩陣，代表模型第一、二層用于輸出邊的可學習權重矩陣，代表第一、二層的自環變換矩陣，代表非線性激活函數，代表經過模型第一層，第二層處理后的節點嵌入特征，經過雙層圖卷積處理后，節點嵌入充分反映了局部檢測記錄間及其二階鄰居的結構信息； 預測模塊的具體計算還包括通過圖注意力機制進行全局信息融合，對于獲取的局部節點嵌入，計算全局節點嵌入與局部節點嵌入之間的注意力得分： （24），式中，代表共享的線性變換矩陣，代表用于計算注意力的向量，代表非線性激活函數，代表全局節點嵌入與局部節點嵌入的注意力得分； 將注意力得分進行歸一化，以獲取注意力系數： （25）， 式中，代表與全局節點連接的所有局部節點集合，代表全局節點嵌入與局部節點嵌入的注意力系數， 最終，對每個局部節點嵌入進行全局信息融合：（26），式中，代表全局節點信息的變換矩陣； 預測模塊解碼器網絡采用多層感知機作為解碼器部分，解碼器部分的任務是將最終融合的節點表示轉化為邊權重預測，即預測損傷尺寸數據之間的飛行循環間隔，模型基于已學習的參數來推斷新節點之間可能的邊權重，若新節點在訓練過程中未出現過,模型則通過捕捉其與其他節點的相似性來實現預測的過程，給定兩個節點和節點的最終嵌入和，其預測邊權重的公式如式27所示 （27）， 式中，代表多層感知機計算，由全連接層與激活函數構成； 模型的訓練通過最小化預測邊權重和真實邊權重之間的誤差來進行，采用均方誤差（MSE）作為損失函數，其表達式如式28所示： （28）， 式中，代表所需預測的邊集合，代表所需要預測的邊，代表模型預測的由節點i指向節點j的邊的權重，代表由節點i指向節點j的邊的真實權重； 在修正模塊中提出了一種多類馬爾可夫鏈殘差修正方法，具體步驟描述如下： 首先，采用KMeans聚類算法，根據各節點的特征值劃分為三個組別，記為，和，在原始圖結構中，每個節點的特征代表一次孔探檢查獲得的損傷尺寸數據，通過對節點的類別標注，將節點之間的邊連接關系重新描述為類別之間轉換的關系，即如果一個邊連接的兩個節點的特征分別屬于類別與，則將該邊重新描述為的類別轉換關系，其中類別轉換的方向應按照邊的方向來確定，根據類別轉換的特點，圖結構中的邊一共劃分為六種轉換關系，即： ，，，，，； 其中任一類馬爾可夫鏈構建的方法包括：①狀態區間劃分，根據獲取的殘差序列，選取常數值劃分為k個狀態，，...,,如式29~31所示： （29）， （30）， （31）， 式中，代表第m個狀態，代表第k個狀態，代表第個狀態區間的起點，代表第個狀態區間的終點； ②狀態轉移概率矩陣，對于狀態轉移概率矩陣的計算主要通過轉移的頻數來計算，設對于殘差序列，從狀態轉移到狀態的觀測次數為，其中，則一步轉移概率可以由轉移頻數計算得到，其計算公式如32所示： （32）， 式中，代表從狀態轉移到狀態的一步轉移概率，代表在訓練數據中，殘差從狀態轉移到狀態的次數， 通過該計算，即可得到一步狀態轉移概率矩陣： （33），該矩陣反映了殘差序列在不同離散狀態間的轉移規律； ③馬爾可夫性檢驗，通過上述步驟獲得明確且離散化的狀態序列后，利用統計檢驗方法以驗證所獲取的殘差序列是否滿足馬爾可夫性質，首先計算各狀態的邊際概率，設第個狀態的邊際概率為頻數矩陣中第列之和與總頻數，即所有轉移的次數，的比值，如式34所示： （34）， 式中，代表狀態的邊際概率，代表所有從任意狀態轉移到狀態的次數之和，代表殘差序列中總的轉移次數，隨后，根據經典的馬爾可夫性檢驗統計量構建檢驗統計量，在這里采用似然比檢驗形式，其計算公式如35所示： （35）， 式中，代表狀態的邊際概率，代表從狀態轉移到狀態的一步轉移概率，代表所有從任意狀態轉移到狀態的次數之和，代表馬爾可夫性檢驗的統計量； 由于在狀態劃分階段獲取了個狀態，因此，在給定顯著性水平的條件下，如果統計量滿足，則認為該序列具有馬爾可夫性，可在該預測過程中應用馬爾可夫修正； ④初步預測值修正，對于該類已知的原始數據，假設某一待修正邊的初步預測值為，其中和為圖中對應的節點，設若該邊對應的殘差經過離散化后的狀態為，在馬爾可夫鏈修正模型中，首先確定在狀態下，下一步殘差的預測區間，假設狀態對應的殘差值區間為，則采用區間中值作為該狀態下的修正值： （36）， 式中，代表狀態所對應的殘差區間的上界和下界，最終，在初步的預測值上疊加修正值，即可得到修正后的預測邊權重： （37）， 式中，代表節點到節點的初步預測邊權重，代表經過馬爾可夫鏈修正后的預測邊權重， ⑤預測值相對殘差狀態概率的計算，利用一步狀態轉移矩陣以計算步狀態轉移矩陣其中，從而實現動態預測轉移矩陣的建立，若待預測時刻前一個觀測值的殘差狀態依次為，則對于第步的預測，具體利用步轉移矩陣來預測新節點相對殘差所處的狀態概率分布，記為： （38）， 式中，代表經過步轉移的狀態轉移矩陣，則新節點在狀態的概率為： （39）， 式中，代表矩陣中從狀態轉移到狀態的概率，代表預測第步新節點殘差處于狀態的概率； ⑥最終修正結果，記第n+1步對新結點的預測值在k個殘差狀態區間下的馬爾可夫修正值依次為，則新結點的最終修正預測值為初步預測值與各狀態修正值的加權和： （40）， 式中，代表新結點在第步的初步預測邊權重，代表狀態下的殘差修正值，在這里為對應區間的中值，代表經過馬爾可夫修正后的最終預測邊權重。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人哈爾濱工業大學(威海)，其通訊地址為：264200 山東省威海市環翠區文化西路2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。