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！

龙图腾网获悉青岛理工大学申请的专利大功率重载齿轮箱疲劳寿命预测与剩余寿命评估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：CN121167677B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202511694935.9，技术领域涉及：G06F18/27；该发明授权大功率重载齿轮箱疲劳寿命预测与剩余寿命评估方法是由张丽莉;刘富豪;蒋汉军;沙猛;刘洪志设计研发完成，并于2025-11-19向国家知识产权局提交的专利申请。

本大功率重载齿轮箱疲劳寿命预测与剩余寿命评估方法在说明书摘要公布了：本发明提供了一种大功率重载齿轮箱疲劳寿命预测与剩余寿命评估方法，属于基于计算机数据处理的智能运维技术领域；包括以下过程：获取运行过程中的动态数据，经过多尺度分解，形成多源多尺度数据；将多源多尺度数据输入设计的多尺度疲劳特征提取模块和健康状态预测模块，得到多尺度健康指标序列和健康状态标签；建立疲劳损伤演化模型，引入生成的健康指标序列自适应更新，输出综合损伤值，并进行疲劳退化的分阶段评估，得到损伤标签集，将多尺度健康指标序列与健康状态标签以及综合损伤值与损伤标签集，输入到设计的双源融合的疲劳寿命预测模型中，输出剩余寿命预测量；本发明实现了对大功率重载齿轮箱疲劳寿命的高精度预测与剩余寿命评估。

本发明授权大功率重载齿轮箱疲劳寿命预测与剩余寿命评估方法在权利要求书中公布了：1.一种大功率重载齿轮箱疲劳寿命预测与剩余寿命评估方法，其特征在于，包括以下过程： S1，基于齿轮箱关键位置布置的传感器，实时获取运行过程中的动态数据，经过多尺度分解后，形成包含不同时间尺度特征的多源多尺度数据； S2，将多源多尺度数据输入训练完成的多尺度疲劳特征提取模块和健康状态预测模块； 所述多尺度疲劳特征提取模块采用多尺度时间特征自编码网络提取齿轮箱在不同时间尺度下的疲劳退化模式，得到多尺度健康指标序列；将多尺度健康指标序列输入到健康状态预测模块，得到健康状态标签； 所述多尺度时间特征自编码网络包括三维时间卷积层、高维疲劳特征编码层、潜在特征层与解码器层；并在解码器输出端引入尺度注意力模块，通过可学习的注意力权重评估各尺度特征在当前疲劳阶段的重要性； 所述三维时间卷积层三个卷积核分别用于提取高频振动与齿轮啮合冲击信号特征、捕获扭矩波动与中周期热响应特征和识别长期疲劳累积和磨损趋势，得到稳定的时间尺度特征表示； 所述高维疲劳特征编码层用于压缩和提炼多尺度时间特征，去除冗余信息并增强表征的层次性；编码器由三层一维卷积层与一层全连接层组成，采用逐层降维的层次化结构设计，到高维潜在编码向量； 所述潜在特征层对做深度语义压缩与时序上下文增强，生成供解码器使用的统一潜在特征向量； 所述解码器层用于在保持时序一致性的前提下对潜在特征向量进行重映射与平滑化处理，获得在统一尺度下可比较的潜在特征表示； 所述尺度注意力模块将各尺度特征按注意力权重进行加权融合，根据上述得到的输出统一维度的潜在特征表示，融合所有时间尺度的潜在特征进行加权，形成综合健康指标； S3，建立基于载荷与能量响应的疲劳损伤演化模型，用机械功输入与热能累积特征刻画齿轮箱疲劳退化过程； 引入生成的健康指标序列，作为损伤动态修正项，对疲劳损伤演化模型进行数据约束下的物理损伤自适应更新，更新后的模型输出综合损伤值；具体为： 引入生成的健康指标序列表示系统在时刻的疲劳健康程度，其变化趋势用于修正损伤增长速率；定义数据修正因子： ； 其中，为健康敏感系数，调节健康指标对损伤速率的影响；为健康指标序列均值；当,即表示退化加剧时，，加速损伤累积；当时，损伤增长减缓；得到动态更新方程： ； 其中，为最终综合损伤值，从0逐渐增长至1，表示系统从健康状态演化至疲劳极限； 根据损伤指标的增长速率与幅值变化规律，划分不同的疲劳演化阶段，得到损伤标签集，包括：轻度损伤阶段，，设备运行稳定；中度损伤阶段，，损伤累积加速，局部疲劳开始扩展；临界损伤阶段，，系统接近极限，存在失效风险； 根据综合损伤值的增长速率与幅值，进行疲劳退化的分阶段评估，得到损伤标签集； S4，将S2输出的多尺度健康指标序列与健康状态标签以及S3输出的综合损伤值与损伤标签集，输入到训练完成的双源融合的疲劳寿命预测模型中，输出剩余寿命预测结果； 所述疲劳寿命预测模型，采用双源融合记忆网络，包括输入融合层、记忆调制层、退化推理层与寿命回归层；并在记忆调制层中引入健康-损伤双通道记忆机制，根据不同来源特征自适应调整时间记忆衰减率； 首先在输入融合层，将融合后的特征输入时序卷积归一化激活复合单元，提取局部时间变化模式，通过多通道时序卷积TemporalConv提取短期、中期和长期局部变化模式，并将得到的三个高维局部特征张量拼接得到作为高维特征张量，将其与双通道记忆单元输入和进行融合，输出至记忆调制层； 接着，在记忆调制层，引入健康-损伤双通道记忆机制，根据不同来源特征自适应调整时间记忆衰减率，分别处理健康通道与损伤通道的历史记忆状态，得到表示健康与损伤记忆状态量和； 接着，在退化推理层，将健康与损伤记忆向量与拼接后输入门控递推单元GRU层，捕获非线性时间演化特征，GRU层包含128个隐藏单元，采用双向结构Bi-GRU；得到隐层状态向量； 最后在寿命回归层，在退化推理层输出基础上，设置两层全连接网络FC与Dropout层，实现寿命衰减拟合与不确定性估计；将隐藏状态映射为剩余寿命预测量。

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青岛理工大学，其通讯地址为：266520 山东省青岛市黄岛区嘉陵江东路777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。