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！

龍圖騰網獲悉南京航空航天大學申請的專利一種多模態數據驅動的金屬多軸疲勞壽命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：CN119227463B 。

龍圖騰網通過國家知識產權局官網在2025-09-05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：202411390146.1，技術領域涉及：G06F30/23；該發明授權一種多模態數據驅動的金屬多軸疲勞壽命預測方法是由趙旭峰;李不同;朱俊杰;王路兵;陳穎設計研發完成，并于2024-10-08向國家知識產權局提交的專利申請。

本一種多模態數據驅動的金屬多軸疲勞壽命預測方法在說明書摘要公布了：本發明公開了一種多模態數據驅動的金屬多軸疲勞壽命預測方法，該方法以多模態數據為數據驅動基礎，利用融合機器學習模型提供一種新的疲勞壽命預測框架，該方法能夠作為疲勞壽命預測的替代模型。首先，本發明定義多精度數據：通過實際實驗獲得的實驗數據與通過物理仿真得到的仿真數據。本發明通過初步實驗獲得了材料的機械性能，并根據這些性能建立了可靠的有限元分析FEA模型。隨后，利用有限元分析模型生成了高可靠性數據集。為了處理具有多模態特征的數據，本發明包括構建基于動態回歸選擇的混合預測模型DL?LGBM?DRS。該模型能夠同時以高準確性學習離散與時序樣本的特征，從而混合預測模型DL?LGBM?DRS可以高效、準確地預測各種多軸加載條件下的循環疲勞壽命。

本發明授權一種多模態數據驅動的金屬多軸疲勞壽命預測方法在權利要求書中公布了：1.一種多模態數據驅動的金屬多軸疲勞壽命預測方法，其特征在于，包括如下步驟： S1、基于前置試驗建立需分析航空航天材料的性質數據庫，通過試驗數據擬合工程方程，獲得該材料的物理性質，將這些性質將作為具有離散特征性質的數據添加進數據集； S2、基于材料的物理性質建立有限元模型，通過組合有限元分析與實際試驗對比，確定疲勞壽命作為標簽建立基于仿真的高可靠訓練數據集，該訓練數據集用于機器學習算法訓練物理關系的學習； S3、數據集包括具有時序特征的多軸載荷譜、時序物理響應與具有離散特征的材料與外界環境信息； 該步驟包括構建基于動態回歸選擇的混合預測算法DL-LGBM-DRS，由此實現多模態輸入特征下金屬材料多軸疲勞壽命的預測，該算法建立步驟包括： S31、通過引入基于梯度的單邊采樣方法與互斥特征合并方法，實現構建LightGBM模型，然后利用GBDT算法對多重決策樹進行組合，用于處理密集離散數據，達到高解釋性和泛化性； S32、基于循環神經網絡構建基于長短期記憶網絡的深度學習模型，其中長短期記憶網絡通過遺忘門、輸入門與輸出門進行構建，用于實現長期記憶功能； S33、構建動態回歸選擇算法，用于融合LightGBM模型和深度學習模型，形成處理多模態輸入的疲勞壽命預測算法； 其中動態回歸網絡具體如下： 輸入集合群F、訓練集T、測試集S、權重向量w，獨立模型編號為n； 輸出首先定義MAE為平均絕對誤差： 式中，y為訓練樣本的實際值，為樣本的預測值； 初始化平均絕對誤差，定義誤差Error＝0與空集A，此時對于每個測試集S中的樣本xi，對應訓練集T找到樣本的競爭區間ψ，對于每個集合群F中的每個獨立模型預測的值計算關于競爭區間ψ的平均絕對誤差，計算過程包括： 定義an＝w×MAEn，此時A＝A∪an，直到所有模型預測結果及誤差均值為： 和表示集合的更新，對于集合群中的每個預測值如果an＞amax-amin2，那么就進行模型選擇，執行如下的更新： 定義N為集合群平均值的大小，對于每個an進行模型組合，即： 此時定義： 則最終的誤差為Errorfin＝Error|X|； 動態回歸選擇算法在最終對每個模型權重評估，即由以上最終誤差Errorfin進行定義，fxj為測試集中對應樣本的觀測值，為歸一化后的結果； 對于每個樣本，具有更小誤差的數值被判定為最優，局部最優預測結果為動態回歸網絡算法的最終預測結果。

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南京航空航天大學，其通訊地址為：210016 江蘇省南京市秦淮區御道街29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”。