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！

龙图腾网获悉南京航空航天大学申请的专利一种多模态数据驱动的金属多轴疲劳寿命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：CN119227463B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202411390146.1，技术领域涉及：G06F30/23；该发明授权一种多模态数据驱动的金属多轴疲劳寿命预测方法是由赵旭峰;李不同;朱俊杰;王路兵;陈颖设计研发完成，并于2024-10-08向国家知识产权局提交的专利申请。

本一种多模态数据驱动的金属多轴疲劳寿命预测方法在说明书摘要公布了：本发明公开了一种多模态数据驱动的金属多轴疲劳寿命预测方法，该方法以多模态数据为数据驱动基础，利用融合机器学习模型提供一种新的疲劳寿命预测框架，该方法能够作为疲劳寿命预测的替代模型。首先，本发明定义多精度数据：通过实际实验获得的实验数据与通过物理仿真得到的仿真数据。本发明通过初步实验获得了材料的机械性能，并根据这些性能建立了可靠的有限元分析FEA模型。随后，利用有限元分析模型生成了高可靠性数据集。为了处理具有多模态特征的数据，本发明包括构建基于动态回归选择的混合预测模型DL‑LGBM‑DRS。该模型能够同时以高准确性学习离散与时序样本的特征，从而混合预测模型DL‑LGBM‑DRS可以高效、准确地预测各种多轴加载条件下的循环疲劳寿命。

本发明授权一种多模态数据驱动的金属多轴疲劳寿命预测方法在权利要求书中公布了：1.一种多模态数据驱动的金属多轴疲劳寿命预测方法，其特征在于，包括如下步骤： S1、基于前置试验建立需分析航空航天材料的性质数据库，通过试验数据拟合工程方程，获得该材料的物理性质，将这些性质将作为具有离散特征性质的数据添加进数据集； S2、基于材料的物理性质建立有限元模型，通过组合有限元分析与实际试验对比，确定疲劳寿命作为标签建立基于仿真的高可靠训练数据集，该训练数据集用于机器学习算法训练物理关系的学习； S3、数据集包括具有时序特征的多轴载荷谱、时序物理响应与具有离散特征的材料与外界环境信息； 该步骤包括构建基于动态回归选择的混合预测算法DL-LGBM-DRS，由此实现多模态输入特征下金属材料多轴疲劳寿命的预测，该算法建立步骤包括： S31、通过引入基于梯度的单边采样方法与互斥特征合并方法，实现构建LightGBM模型，然后利用GBDT算法对多重决策树进行组合，用于处理密集离散数据，达到高解释性和泛化性； S32、基于循环神经网络构建基于长短期记忆网络的深度学习模型，其中长短期记忆网络通过遗忘门、输入门与输出门进行构建，用于实现长期记忆功能； S33、构建动态回归选择算法，用于融合LightGBM模型和深度学习模型，形成处理多模态输入的疲劳寿命预测算法； 其中动态回归网络具体如下： 输入集合群F、训练集T、测试集S、权重向量w，独立模型编号为n； 输出首先定义MAE为平均绝对误差： 式中，y为训练样本的实际值，为样本的预测值； 初始化平均绝对误差，定义误差Error＝0与空集A，此时对于每个测试集S中的样本xi，对应训练集T找到样本的竞争区间ψ，对于每个集合群F中的每个独立模型预测的值计算关于竞争区间ψ的平均绝对误差，计算过程包括： 定义an＝w×MAEn，此时A＝A∪an，直到所有模型预测结果及误差均值为： 和表示集合的更新，对于集合群中的每个预测值如果an＞amax-amin2，那么就进行模型选择，执行如下的更新： 定义N为集合群平均值的大小，对于每个an进行模型组合，即： 此时定义： 则最终的误差为Errorfin＝Error|X|； 动态回归选择算法在最终对每个模型权重评估，即由以上最终误差Errorfin进行定义，fxj为测试集中对应样本的观测值，为归一化后的结果； 对于每个样本，具有更小误差的数值被判定为最优，局部最优预测结果为动态回归网络算法的最终预测结果。

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南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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。