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！

龙图腾网获悉山东科技大学申请的专利基于时空状态选择的发动机剩余使用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：CN120372297B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202510856318.8，技术领域涉及：G06F18/214；该发明授权基于时空状态选择的发动机剩余使用寿命预测方法及系统是由孙海滨;杜赛达设计研发完成，并于2025-06-25向国家知识产权局提交的专利申请。

本基于时空状态选择的发动机剩余使用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时空状态选择的发动机剩余使用寿命预测方法及系统，属于设备剩余使用寿命预测领域，该方法综合时序‑空间双分支编码与层级融合机制、选择性状态空间模型、跨层残差跳连与参数共享机制、高效自注意力机制多种技术，构建了STSSFormer网络模型进行航空发动机剩余使用寿命预测；系统主要包括数据挑选和预处理模块、输入样本构建模块、模型训练模块、剩余使用寿命预测模块。本发明全面增强了特征表达与融合能力，在剩余使用寿命的预测准确性、模型鲁棒性与工程实用性方面均具有显著优势。

本发明授权基于时空状态选择的发动机剩余使用寿命预测方法及系统在权利要求书中公布了：1.一种基于时空状态选择的发动机剩余使用寿命预测方法，其特征在于，包括如下步骤： 步骤1、获取航空发动机传感器监测数据，并进行数据挑选和预处理； 步骤2、使用滑动时间窗口技术构建多周期多传感器样本； 步骤3、构建STSSFormer网络模型；STSSFormer网络模型包括嵌入与位置编码模块、空间和时序特征提取器、预测器；STSSFormer网络模型使用嵌入与位置编码模块对输入数据进行处理，将处理后的数据作为空间和时序特征提取器的输入来提取特征，最后构建基于选择性状态空间模型的预测器进行航空发动机剩余使用寿命预测； STSSFormer网络模型的具体工作过程为： 步骤3.1、将多周期多传感器样本输入嵌入与位置编码模块，得到包含嵌入位置信息的传感器时间序列数据集合； 步骤3.2、将包含嵌入位置信息的传感器时间序列数据集合输入空间和时序特征提取器，得到空间和时序融合后的特征； 采用一种时序‑空间双分支编码与层级融合机制来构建空间和时序特征提取器，具体包括空间注意力模块、时序注意力模块、特征融合层；空间和时序特征提取器的具体工作过程为： 步骤3.2.1、基于空间注意力模块提取空间特征；空间注意力模块由两个编码器层堆叠而成，每个编码器层的核心设计如下： 首先使用深度卷积沿着时间维度对进行处理，之后使用三个逐点卷积动态生成自注意力的查询矩阵、键矩阵、值矩阵，公式为： ； ； ； ； 其中，为经时间维度深度卷积处理后的特征表示；为深度卷积；、、分别为空间注意力模块生成的查询矩阵、键矩阵、值矩阵；为逐点卷积； 将生成的、、分割成多个注意力头，将输入嵌入到不同的子空间中； 将传统Tranformer中的自注意力机制改进为高效自注意力机制，计算过程如下： ； ；其中，为全局上下文向量，、分别为键和值的维度； 是注意力头的输出，为批量大小，为注意力头的数量；是时间窗口大小；为转置符号； 将多个注意力头的输出拼接后再通过线性映射得到多头特征图，使用残差连接将其和相加，之后使用归一化层对结果归一化，公式为： ； ； 其中，为拼接；、、、表示四个注意力头的输出；是权重矩阵； 是经过归一化和残差连接之后的输出；为归一化层； 最终，通过前馈网络得到当前编码器层的输出，作为下一个编码器层的输入，逐层传递直到得到最终空间注意力模块输出的空间特征： ； 其中，为空间特征；表示前馈网络； 步骤3.2.2、基于时序注意力模块提取时序特征；时序注意力模块也是由多个编码器层堆叠而成，每个编码器层计算查询矩阵、键矩阵、值矩阵，使用高效注意力机制计算时序依赖关系，通过残差连接和归一化稳定训练，使用前馈网络和归一化层得到最终时序注意力模块输出的时序特征；时序注意力模块是通过线性投影得到三个矩阵，其计算过程如下： ； ； ； 其中，、、分别为时序注意力模块生成的查询矩阵、键矩阵、值矩阵；、、分别为、、的权重矩阵； 步骤3.2.3、设计特征融合层将空间注意力模块和时序注意力模块得到的特征进行融合，具体实现方式如下： ； 其中，为空间和时序融合后的特征；、分别为不同特征的权重矩阵； 步骤3.3、基于预测器预测航空发动机的剩余使用寿命；预测器采用跨层残差跳连与参数共享机制，具体包含两个串联的选择性状态空间模型；预测器的具体工作过程为： 步骤3.3.1、对空间和时序融合后的特征进行归一化，并通过线性变换得到残差分支： ； 其中；为残差分支；为线性变换；为均方根归一化； 步骤3.3.2、将残差分支输入到第一层选择性状态空间模型，选择性状态空间模型通过输入投影后，生成用于状态转移的三个向量：状态步长、状态输入权重、状态输出权重；其中状态步长经过线性投影后激活： ； 其中，为激活后的状态步长；是激活函数；是状态步长的权重矩阵；定义状态转移矩阵，的初始值为全1矩阵，其后续更新方式由可学习参数决定： ； 选择性状态空间模型的隐藏状态更新过程为： ； 其中，、分别为第个、第个时间步的隐藏状态；是输入序列在第个时间步时的特征；和为经调制后的两个不同参数，其计算公式为： ； ； 其中，为第个时间步的第个时间步的；为第个时间步激活后的状态步长；为逐元素乘法；第一层选择性状态空间模型最终输出计算过程如下： ； 第一层选择性状态空间模型的输出经过激活函数和Dropout层后作为第二层选择性状态空间模型的输入；最后，将第二层选择性状态空间模型的输出和残差分支进行融合后，得到剩余使用寿命的预测值： ； 其中，为可学习的门控系数； 步骤4、初始化STSSFormer网络模型的权重，使用均方误差优化网络模型的参数，使用步骤2中构建好的多周期多传感器样本训练网络模型； 步骤5、训练结束后得到训练完成的STSSFormer网络模型，采集当前待预测的航空发动机传感器监测数据并按照步骤1和步骤2的过程进行处理，将处理后的数据输入训练完成的STSSFormer网络模型中，实时得到航空发动机剩余使用寿命预测结果。

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山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579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”。