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融合知识迁移的损伤概率模型自适应构建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：CN121143079B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202511688239.7，技术领域涉及：G05B17/02；该发明授权一种融合知识迁移的损伤概率模型自适应构建方法是由王磊磊;管绍郅;关肖虎;占小红;陈纪城设计研发完成，并于2025-11-18向国家知识产权局提交的专利申请。

本一种融合知识迁移的损伤概率模型自适应构建方法在说明书摘要公布了：本发明提供一种融合知识迁移的损伤概率模型自适应构建方法，涉及控制调节技术领域，本发明通过构建多物理场融合的特征指标、引入物理信息引导的知识迁移以及建立预测‑控制一体化联动机制，不仅显著提升了动态失稳预测的准确性和可靠性，更将预测结果直接应用于主动安全控制，实现了从智能感知到主动干预的无缝闭环。其能够在不增加硬件成本的前提下，通过软件算法的升级，有效拓宽飞行器的安全飞行包线，增强了系统在复杂极端环境下的动态鲁棒性。

本发明授权一种融合知识迁移的损伤概率模型自适应构建方法在权利要求书中公布了：1.一种融合知识迁移的损伤概率模型自适应构建方法，其特征在于，具体步骤包括： S1：获取与直升机关键结构部位相关的两类异构实时数据流，所述两类异构实时数据流包括：表征外部气动能量输入的第一数据流，以及表征内部控制环路信息传递保真度的第二数据流；对所述第一数据流和第二数据流进行多分辨率分解，生成多对频带子序列；并针对每一对频带子序列，独立计算融合特征分量，最终组合成“融合特征频谱向量”表征的频率分辨型ASII频谱向量；通过采用离散小波变换算法实现多分辨率分解； 所述第一数据流为边界层湍流耗散率时间序列，所述第二数据流为飞控指令-桨毂振动传递熵时间序列； 所述计算融合特征分量的步骤具体为：对每一对频带子序列进行时滞互相关分析，并识别在预设物理时滞范围内的最大互相关系数值，作为该频带子序列的融合特征分量； 所述时滞互相关分析之前，还包括对所述频带子序列进行Z-score归一化处理； 在组合成最终的融合特征频谱向量之前，对计算出的融合特征分量进行双曲正切函数映射； 当任一频带子序列的ASII分量值越趋近于1时，表征在该频带子序列内，外部气动能量输入与内部控制环路信息传递损失之间的正相关性越强； 当任一频带子序列的ASII分量值越趋近于0时，表征在该频带子序列内，外部气动能量输入与内部信息传递损失之间的线性相关性越弱； S2：基于所述第一数据流与所述第二数据流之间的时滞互相关性，动态计算所述关键结构部位将外部气动能量输入转化为内部信息传递损失效率的融合特征指标； S3：构建高精度教师模型，其中，将所述融合特征指标作为核心输入特征，用于训练所述教师模型学习并表征所述关键结构部位的动态失稳临界前兆； 构建以物理信息神经网络为架构的教师模型，该教师模型在包含数据驱动损失项和物理约束损失项的复合损失函数引导下进行训练；以及，基于知识蒸馏策略，将所述教师模型包含的推理逻辑迁移至结构复杂度更低的学生模型； 所述教师模型的输入特征包括频率分辨型ASII频谱向量； 通过计算所述教师模型的预测输出在预设的气动弹性运动方程下的残差得到物理约束损失项； S4：构建结构复杂度低于所述教师模型的学生模型；所述学生模型的结构选自梯度提升决策树； 所述知识蒸馏策略为自适应知识蒸馏，其中，所述学生模型对所述教师模型不同中间层特征的模仿损失权重，由所述教师模型对应中间层激活值对最终预测结果的梯度贡献度进行动态确定； S5：将所述学生模型部署于机载计算单元，并利用该学生模型实时处理包括所述融合特征指标在内的飞行数据，以生成动态失稳预警信号，并进一步将所述动态失稳预警信号转化为对飞行控制系统的抑制性偏置指令； 利用学生模型，根据实时输入数据生成对未来动态稳定性的预测值序列；基于所述预测值序列计算量化风险演化速率的预测性风险梯度值；并根据所述预测性风险梯度值生成用于调整原始操纵指令的抑制性偏置指令； 所述学生模型的实时输入数据包括频率分辨型ASII频谱向量； 通过对所述预测值序列进行线性回归拟合并取其斜率，得到预测性风险梯度值。

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：211106 江苏省南京市江宁区南京航空航天大学将军路校区将军大道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。