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！

龙图腾网获悉珠海格力电器股份有限公司;珠海联云科技有限公司申请的专利备件的寿命预测方法、装置、设备及计算机可读介质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：CN121211377B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202511763274.0，技术领域涉及：G06F18/25；该发明授权备件的寿命预测方法、装置、设备及计算机可读介质是由高梦珊;李绍斌;黎清顾设计研发完成，并于2025-11-27向国家知识产权局提交的专利申请。

本备件的寿命预测方法、装置、设备及计算机可读介质在说明书摘要公布了：本申请涉及一种备件的寿命预测方法、装置、设备及计算机可读介质。该方法包括：采集目标备件的多模态状态数据；验证多模态状态数据的历史一致性；在多模态状态数据的历史一致性验证通过的情况下，将多模态状态数据输入目标剩余寿命预测模型，以利用目标剩余寿命预测模型基于多模态状态数据预测目标备件的退化轨迹，目标剩余寿命预测模型是以备件的物理学退化机理为先验知识训练得到的神经网络模型；基于退化轨迹确定目标备件的预测剩余寿命。本申请避免了单一数据维度不足导致的评估片面性，又通过数据验证与物理机理约束的模型提升了预测可信度，有效解决了备件寿命造假导致寿命预测准确率低的技术问题。

本发明授权备件的寿命预测方法、装置、设备及计算机可读介质在权利要求书中公布了：1.一种备件的寿命预测方法，其特征在于，包括： 采集目标备件的多模态状态数据； 验证所述多模态状态数据的历史一致性； 在所述多模态状态数据的历史一致性验证通过的情况下，将所述多模态状态数据输入目标剩余寿命预测模型，以利用所述目标剩余寿命预测模型基于所述多模态状态数据预测所述目标备件的退化轨迹，其中，所述目标剩余寿命预测模型是以备件的物理学退化机理为先验知识训练得到的神经网络模型； 基于所述退化轨迹确定所述目标备件的预测剩余寿命； 所述将所述多模态状态数据输入目标剩余寿命预测模型之前，所述方法还包括按照如下方法获取所述目标剩余寿命预测模型：向至少一个备件工厂下发基础模型，以供各所述备件工厂对所述基础模型进行本地训练；获取各所述备件工厂本地训练完成后得到的加密模型参数和训练元数据，其中，所述训练元数据用于表示训练条件和模型性能指标；基于各所述训练元数据，计算各所述加密模型参数的聚合权重；将各所述加密模型参数按照各自的所述聚合权重进行加权聚合，得到全局模型参数；利用所述全局模型参数更新云端的全局模型，得到所述目标剩余寿命预测模型； 所述基于各所述训练元数据，计算各所述加密模型参数的聚合权重包括：计算每个工厂的数据量权重α_k^{data}、设备相似度权重α_k^{sim}、数据质量权重α_k^{quality}以及模型性能权重α_k^{perf}；计算最终聚合权重α_k^{final}，α_k^{final}=β1*α_k^{data}+β2*α_k^{sim}+β3*α_k^{quality}+β4*α_k^{perf}，其中β1、β2、β3、β4是超参数，用来控制不同因素的重要性； 其中，k代表工厂；α_k^{data}=n_kN，n_k为训练数据的数据量，N是所有参与本轮聚合的工厂的总数据量；α_k^{sim}=s_kΣs_i，s_k为第k个工厂的特征向量与目标画像的余弦相似度或欧氏距离，Σs_i为所有工厂相似度的和；α_k^{quality}=Q_kavgQ，Q_k是第k个工厂上传的数据质量评分，avgQ是所有参与者的平均质量分；α_k^{perf}=acc_kavgacc，acc_k是第k个工厂在其本地验证集上的准确率，avgacc是所有参与者的平均准确率； 所述将各所述加密模型参数按照各自的所述聚合权重进行加权聚合，得到全局模型参数包括：ΔW_global=Σα_k^{final}*ΔW_k，其中，ΔW_k为第k个工厂的加密模型参数，ΔW_global为全局模型参数； 所述利用所述全局模型参数更新云端的全局模型包括：W_global^{new}=W_global^{old}+ΔW_global，其中，W_global^{old}为旧全局模型参数，W_global^{new}为新全局模型参数。

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珠海格力电器股份有限公司;珠海联云科技有限公司，其通讯地址为：519070 广东省珠海市珠海横琴新区汇通三路108号办公608；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。