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！

龙图腾网获悉浙江大学申请的专利自适应时间戳编码增强的复杂装备残缺状态监测数据时序插补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：CN119646555B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411815208.9，技术领域涉及：G06F18/23213；该发明授权自适应时间戳编码增强的复杂装备残缺状态监测数据时序插补方法是由刘惠;冯源;刘振宇;郏维强;谭建荣设计研发完成，并于2024-12-11向国家知识产权局提交的专利申请。

本自适应时间戳编码增强的复杂装备残缺状态监测数据时序插补方法在说明书摘要公布了：本申请公开了一种自适应时间戳编码增强的复杂装备残缺状态监测数据时序插补方法，涉及工业传感数据处理技术领域，该方法包括：对获取的在线残缺状态监测时序数据进行标准化，再将在线时间戳序列数据进行归一化处理，随后利用时间戳先验特征编码模块输出在线时间戳先验编码特征，实现了残缺状态监测数据中的时间戳信息在插补任务中的有效利用；随后利用训练好的时间戳‑局部插补模型联合框架，得到残缺状态监测数据在线插补结果；该方案中实现了局部性时序插补模型和时间戳概率性插补模型间的优势互补，有效提升了复杂装备状态监测数据时序插补的精确性和鲁棒性，可广泛应用于各类复杂装备运行状态分析任务中的数据增强环节。

本发明授权自适应时间戳编码增强的复杂装备残缺状态监测数据时序插补方法在权利要求书中公布了：1.一种自适应时间戳编码增强的复杂装备残缺状态监测数据时序插补方法，其特征在于，包括： 获取复杂装备的在线残缺状态监测数据；所述在线残缺状态监测数据包括复杂装备的在线残缺状态监测时序数据和对应的在线时间戳序列数据；所述在线残缺状态监测时序数据为复杂装备若干个状态监测变量在多个连续采样步长下的监测值； 对所述在线残缺状态监测时序数据进行标准化，得到预处理过的在线残缺状态监测时序数据； 将所述在线时间戳序列数据进行归一化处理后，利用时间戳先验特征编码模块输出在线时间戳先验编码特征；所述时间戳先验特征编码模块的参数为基于无监督的频域先验挖掘模型得到的； 将所述预处理过的在线残缺状态监测时序数据和所述在线时间戳先验编码特征输入到训练好的时间戳-局部插补模型联合框架中，得到残缺状态监测数据在线插补结果；所述时间戳-局部插补模型联合框架为基于时间戳概率性插补模型和局部性时序插补模型得到的联合框架；利用插补数据训练集对时间戳-局部插补模型联合框架进行训练，得到训练好的时间戳-局部插补模型联合框架，具体包括： 将插补数据训练集中的局部时间戳序列数据输入到所述时间戳先验特征编码模块中，得到离线时间戳先验编码特征； 将所述离线时间戳先验编码特征输入到时间戳概率性插补模型中，得到局部先验分布均值估计值、局部先验分布标准差估计值和时间戳插补结果； 将所述插补数据训练集中的高缺失率残缺局部状态监测时序数据输入到局部性时序插补模型中，得到局部性插补结果； 基于所述时间戳插补结果和所述局部性插补结果，确定最终插补结果； 基于所述高缺失率残缺局部状态监测时序数据、所述局部先验分布均值估计值、所述局部先验分布标准差估计值和所述最终插补结果，构造联合损失函数； 根据所述联合损失函数，基于梯度反向传播对所述时间戳-局部插补模型联合框架进行训练，得到训练好的时间戳-局部插补模型联合框架；所述联合损失函数如下式所示： 其中，为联合损失函数，Xlocal为高缺失率残缺局部状态监测时序数据，为最终插补结果，为局部先验分布均值估计值，为局部先验分布标准差估计值，为插补主损失函数，为先验分布损失函数。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。