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！

龙图腾网获悉大连海事大学申请的专利一种海上自主水面船舶机械设备可靠性的实时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：CN120633392B 。

龙图腾网通过国家知识产权局官网在2026-01-27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：202510692969.8，技术领域涉及：G06F30/27；该发明授权一种海上自主水面船舶机械设备可靠性的实时评估方法是由孟祥坤;李宏强;张逸卓;朱钰瑄;章文俊;杨雪;周翔宇设计研发完成，并于2025-05-27向国家知识产权局提交的专利申请。

本一种海上自主水面船舶机械设备可靠性的实时评估方法在说明书摘要公布了：本发明公开了一种海上自主水面船舶机械设备可靠性的实时评估方法，S1：构建符合实际退化规律的船舶机械设备运行的合成数据集，解决了小样本与数据不平衡问题；S2：采用综合加权法和若干种处理后的运行特征数据评估船舶机械设备的健康指数值；S3：构建用于预测健康指数值的无监督健康指数预测模型，对无监督健康指数预测模型进行训练，得到训练后的无监督健康指数预测模型；S4：对训练后的无监督健康指数预测模型预测的健康指数值进行威布尔分布拟合，得到威布尔分布下的船舶机械设备的形状参数与尺度参数；S5：基于形状参数与尺度参数实现对船舶机械设备可靠性的实时评估，支持早期故障检测，提高了MASS的安全性。

本发明授权一种海上自主水面船舶机械设备可靠性的实时评估方法在权利要求书中公布了：1.一种海上自主水面船舶机械设备可靠性的实时评估方法，其特征在于，具体步骤包括： S1：构建符合实际退化规律的船舶机械设备运行的合成数据集，所述合成数据集包括若干种处理后的运行特征数据； S1中，构建符合实际退化规律的船舶机械设备运行的合成数据集的具体步骤包括： S11：获取船舶机械设备运行数据，所述船舶机械设备运行数据包括若干种运行特征数据和退化状态系数； S12：根据所需船速从所述船舶机械设备运行数据中筛选得到多个子数据集； S13：结合威布尔分布的变化规律和退化状态系数剔除所述多个子数据集中随时间无任何变化的一种或多种运行特征数据，以得到初始数据集； S14：采用最小-最大归一化方法将初始数据集缩放至[-1,1]区间； S15：采用Wasserstein生成对抗网络对缩放后的数据集进行数据增强处理； S16：对经过数据增强处理的数据集进行反归一化处理，以将其转换为真实形式； S17：设定待分析的时间段，并从经过反归一化处理后的数据集中的若干子数据集中筛选出该时间段内的数据，以构建包括若干种处理后的运行特征数据的合成数据集； S2：采用综合加权法和所述若干种处理后的运行特征数据评估船舶机械设备的健康指数值，以建立健康指数数据集； S3：构建用于预测健康指数值的无监督健康指数预测模型，基于所述健康指数数据集对所述无监督健康指数预测模型进行训练，得到训练后的无监督健康指数预测模型； S3中，所述用于预测健康指数值的无监督健康指数预测模型为基于应用主成分分析-长短期记忆网络模型PCA-LSTM架构所构建的模型； 基于所述健康指数数据集对无监督健康指数预测模型进行训练的具体步骤包括： 对所述健康指数数据集进行归一化处理，以消除维度对计算结果的影响，基于归一化处理后的健康指数数据集建立原始矩阵X*； 基于原始矩阵X*，并根据公式5确定协方差矩阵P，公式为： 其中，S为合成数据集中的样本数量； 基于协方差矩阵P并根据公式6求解得到特征值λi和特征向量αi，表示为： 其中，λi表示主成分方向上的方差大小，αi表示主成分的方向，根据公式7计算主成分的数量α，公式为： 其中，δ为累积贡献率的阈值；为前k个特征值的累积贡献率，kn； 通过结合协方差矩阵P和主成分数量α，对原始矩阵X*进行降维，得到降维后的原始矩阵； 将所述降维后的原始矩阵输入长短期记忆网络模型，以对其进行训练，并得到训练后的无监督健康指数预测模型； S4：对所述训练后的无监督健康指数预测模型预测的健康指数值进行威布尔分布拟合，并求解得到威布尔分布下的船舶机械设备的形状参数与尺度参数； S5：基于所述形状参数与尺度参数实现对船舶机械设备可靠性的实时评估。

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大连海事大学，其通讯地址为：116000 辽宁省大连市甘井子区凌水街道凌海路1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。