发明创造名称：多工况下的机械设备剩余使用寿命计算方法及系统
外观设计名称：
决定号：185198
决定日：2019-07-29
委内编号：1F261452
优先权日：
申请（专利）号：201710137261.1
申请日：2017-03-09
复审请求人：杭州安脉盛智能技术有限公司
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：蒋煜婧
合议组组长：钟翊
参审员：周江
国际分类号：G06F19/00
外观设计分类号：
法律依据：专利法第22条第3款
决定要点：如果一项权利要求的技术方案与最接近的现有技术相比存在区别技术特征，且现有技术中也没有给出将上述区别技术特征应用到该最接近的现有技术以解决其存在的技术问题的启示，且上述区别技术特征使得权利要求的技术方案具备有益的技术效果，则该项权利要求相对于现有技术具有突出的实质性特点和显著的进步，符合专利法第22条第3款关于创造性的规定。
全文：
本复审请求涉及申请号为201710137261.1，名称为“多工况下的机械设备剩余使用寿命计算方法及系统”的发明专利申请（下称本申请）。申请人为杭州安脉盛智能技术有限公司。本申请的申请日为2017年03月09日，公开日为2017年07月14日。
经实质审查，国家知识产权局原审查部门于2018年08月01日发出驳回决定，驳回了本申请，其理由是：权利要求1-8不具备专利法第22条第3款规定的创造性。权利要求1的技术方案与对比文件2（“基于多工况自动聚类的飞机发动机健康状态评估”，施浩等，第11期，第39-43页，2016年11月30日）公开的技术方案相比，区别技术特征为：权利要求1是一种剩余使用寿命计算方法，获取的是历史数据和当前数据，形成高斯过程回归模型的原始的训练数据集及获得最终预测结果的具体步骤。其所要解决的技术问题是：如何对多工况下的机械设备使用高斯过程回归模型进行剩余使用寿命预测。对比文件1（“基于高斯过程回归的锂电池数据处理”，叶婧，中国优秀硕士学位论文全文数据库，第7期，第9-60页，2016年07月15日）公开了一种利用高斯过程回归模型进行锂电池剩余使用寿命预测的方法，并公开了具体步骤。同时，对获取到的特征值进行归一化和主分量分析，对特征值进行压缩融合也是形成高斯过程回归模型的原始的训练数据集的常用技术手段。因此，权利要求1相对于对比文件1，对比文件2和本领域公知常识的结合不具备创造性。权利要求2-7的附加技术特征或被对比文件1所公开或属于本领域的公知常识，因此权利要求2-7也不具备创造性。权利要求8是与权利要求1对应的产品权利要求，基于与权利要求1相同的原因，权利要求8也不具备突出的实质性特点和显著的进步，不具备专利法第22条第3款规定的创造性。驳回决定所依据的文本为：申请日2017年03月09日提交的说明书附图图1-10，说明书摘要及摘要附图；2017年05月22日提交的说明书第1-81段以及2018年04月02日提交的权利要求第1-8项。驳回决定所针对的权利要求书如下：
“1. 一种多工况下的机械设备剩余使用寿命计算方法，其特征在于，包括：
获取机械设备的历史数据和当前数据，形成高斯过程回归模型的原始的训练数据集；所述历史数据和当前数据包括机械设备的操作状态参数数据、传感器的测量数据、训练数据和测试数据；
形成高斯过程回归模型的原始的训练数据集的步骤为：
将获取到的历史数据和当前数据按照机械设备的操作状态参数数据进行特征区间划分；在获取到的历史数据和当前数据中选择随着机械设备的使用而呈现收敛性的数据作为特征值；对获取到的特征值进行归一化和主分量分析，对特征值进行压缩融合；
根据原始的训练数据集构建一个与机械设备的当前状态相对应的高斯过程回归模型；
根据获得的高斯过程回归模型对表征机械设备运行状态的特征值进行预测，得到与剩余使用寿命相对应的预测值；
判断得到的预测值是否超过设定阈值；
若是，计算得到当前剩余使用寿命；
若否，将获得的预测值纳入训练数据集内形成新的训练数据集并根据新的训练数据集优化或自动生成新的高斯过程回归模型，根据优化后的或自动生成的新的高斯过程回归模型对特征值进行预测，直到预测值超过设定阈值。
2. 根据权利要求1所述的多工况下的机械设备剩余使用寿命计算方法，其特征在于，所述高斯过程回归模型如下：
其中，f(x)为高斯函数，y＝f(x) ε，ε为表征噪音的参数，y为函数f(x)带有噪音的观察值，N为单位高斯函数，E为期望函数，K为n×n协方差矩阵，I为单位矩阵，f*为测试点处的函数值，cov(f*)为协方差函数，协方差函数内含有超参数，σ为期望值。
3. 根据权利要求2所述的多工况下的机械设备剩余使用寿命计算方法，其特征在于，所述协方差函数为Squared Exponential核函数、Matern Class核函数、Exponential核函数、γ-exponential核函数、Rational Quadratic核函数、neural network核函数、linear核函数、independent核函数、isotropic rational quadratic核函数或isotropic squared exponential核函数中的任一种。
4. 根据权利要求2所述的多工况下的机械设备剩余使用寿命计算方法，其特征在于，在优化高斯过程回归模型时利用训练数据集内的数据使用最大化边缘似然法对协方差函数内的超参数进行优化，优化的公式为：
其中，p为给定函数y后数据出现的概率，K为n×n协方差矩阵，θ为超参数向量，tr为矩阵迹。
5. 根据权利要求1所述的多工况下的机械设备剩余使用寿命计算方法，其特征在于，机械设备的历史数据和当前数据通过卫星传输至云端服务器，云端服务器对数据进行特征提取后采用高斯过程回归模型进行剩余使用寿命计算，最后将计算数据发送至用户终端。
6. 根据权利要求1所述的多工况下的机械设备剩余使用寿命计算方法，其特征在于，所述设定阈值为机械设备在该设定阈值所在的特征空间内所能承受的最大值或最小值，所述设定阈值是经过失效试验所获得的具有指导性的数值。
7. 根据权利要求1所述的多工况下的机械设备剩余使用寿命计算方法，其特征在于，利用高斯过程回归模型以逐步预测的方式对特征值进行预测。
8. 一种多工况下的机械设备剩余使用寿命计算系统，其特征在于，包括：
数据获取模块，获取机械设备的历史数据和当前数据，形成高斯过程回归模型的原始的训练数据集；具体地，是将获取到的历史数据和当前数据按照机械设备的操作状态参数数据进行特征区间划分；在获取到 的历史数据和当前数据中选择随着机械设备的使用而呈现收敛性的数据作为特征值；对获取到的特征值进行归一化和主分量分析，对特征值进行压缩融合；
所述历史数据和当前数据包括机械设备的操作状态参数数据、传感器的测量数据、训练数据和测试数据；
构建模块，根据原始的训练数据集构建一个与机械设备的当前状态相对应的高斯过程回归模型；
预测模块，根据获得的高斯过程回归模型对表征机械设备运行状态的特征值进行预测，得到与剩余使用寿命相对应的预测值；
判断模块，判断得到的预测值是否超过设定阈值；
计算模块，若判断模块判断得到的预测值超过设定阈值时，计算得到当前剩余使用寿命；
优化模块，当判断模块判断得到的预测值未超过设定阈值时，将获得的预测值纳入训练数据集内形成新的训练数据集并根据新的训练数据集优化或自动生成新的高斯过程回归模型，预测模块根据优化后的或自动生成的新的高斯过程回归模型对特征值进行预测，直到预测值超过设定阈值。”
申请人（下称复审请求人）对上述驳回决定不服，于2018年09月21日向国家知识产权局提出了复审请求，未对申请文件进行修改。复审请求人认为：1、在对比文件2中被划分的对象是工况，并且没有公开划分依据，而权利要求1中被划分的对象是历史数据和当前数据，划分的依据是操作状态参数，并且，这种划分方法所起到的效果是：特征空间的划分使得测量的数据和训练数据集内的数据可以在相同的特征空间内进行比较学习，消除了变工况的影响。2、本申请中，所述历史数据和当前数据包括机械设备的操作状态参数数据、传感器的测量数据、训练数据和测试数据。对比文件2中只是从传感器数据提取特征，而本申请是在获取到的数据中选择随着机械设备的使用而呈现收敛性的数据作为特征值，二者明显不同。3、权利要求1中的特征 “对获取到的特征值进行主分量分析，对特征值进行压缩融合”在对比文件1和对比文件2中都没有相应的公开。4、对比文件1中的特征“失效阈值”不相当于权利要求1中的特征“设定阈值”，因为对比文件1中的失效阈值是无法应用到本申请权利要求1所在的技术领域的。
经形式审查合格，国家知识产权局于2018年09月27日依法受理了该复审请求，并将其转送至原审查部门进行前置审查。
原审查部门在前置审查意见书中认为：1，关于“特征区间划分”：对比文件2第3.1节和第3.2节记载了以下内容：按数据列索引标号从小到大依次为：1-单位数；2-时间，周期；3-操作工况1；4-操作工况2；5-操作工况3；6-传感器变量2；…；26-传感器变量21（此处操作工况1-3即操作状态参数数据，与本申请第48段记载的方案相同，对比文件2也是获得3种操作状态参数数据和21个传感器测量数据）。根据本文2.1节所述方法进行处理。通过所用方法当找到第6个聚类中心后，再也找不到符合条件的聚类中心了，可以确定其工况数为6；然后进行K-means聚类得到聚类中心。图3显示按工况自动聚类的结果（本申请第49段根据3个操作状态参数是将数据分成6个特征空间，对比文件2对采集到的数据进行聚类，聚类后的数据也是形成6个不同的工况类型，且每个工况类型中的变量数据在相同的工况下比较，消除了工况的影响）。因此，对比文件2已经公开了权利要求1中的“将获取到的历史数据和当前数据按照机械设备的操作状态参数数据进行特征区间划分”。2，关于获取数据及特征提取：对于获取数据：本申请说明书第[0047]段记载的是：“发动机的历史数据和当前数据包括发动机的操作状态数据、传感器测量数据”。一是上述段落没有提到训练数据和测试数据；二是即使认为训练数据和测试数据也是从历史数据和当前数据中获得的，也不应该将两种不同类型的数据混为一谈（操作状态参数数据和传感器测量的数据是实际获取的参数数据类型；训练数据和测试数据是对实际获取的数据按照在预测模型中的用途进行分类，是对同一对象的两种不同的描述维度）；三是对比文件2也是从实际获取的数据中得到训练数据和测试数据，与本申请没有差异。对于特征提取：对比文件2第40页左栏最后一段：“假设所研究的数据集是有一个不断退化特性的且突发故障被视为预测的不确定性。虽然突发性故障可以是随机的，但下降过程是不可逆的”。第2.2节明确记载：“采用主成分分析法来进行有效的特征的提取以描述发动机状态”。也就是说，对比文件2在提取有效的特征以描述发动机状态时，也是按照随着设备的使用不断退化的指标作为特征值，这与本申请是一致的。3，关于主分量分析：首先，权利要求1中记载的是“对获取到的特征值进行归一化和主分量分析，对特征值进行压缩融合”，而不仅仅是进行主成分分析。其次，对比文件2第2.2节明确记载：“特征提取是对所测得多维变量进行变换或者选取，以有效精确地描述研究对象并具有一定的抗干扰特征。本文采用主成分分析法来进行有效的特征的提取以描述发动机状态”。因此，对比文件2在利用主成分分析法对多维数据进行降维，同时保留数据集中对方差贡献最大的特征本质上与本申请相同，不同在于同时采用归一化和主成分分析法进行特征融合。尽管如此，同时采用归一化和主成分分析法进行特征融合也是本领域常用技术手段。4，关于设定阈值：关于技术领域的认定，详见二通意见答复部分，此处不再赘述。简言之，本申请和对比文件1属于相同的技术领域，均属于剩余使用寿命预测领域，不能因为预测对象不同而断定两者属于不同技术领域。对比文件1中的失效阈值一般也是经过失效实验所获得的具有指导性的数值，这与权利要求1中设定阈值本质是相同的，因此失效阈值能够等同于设定阈值，因而坚持原驳回决定。
随后，国家知识产权局成立合议组对本案进行审理。
合议组于2019年02月19日向复审请求人发出复审通知书，指出：权利要求1-8相对于对比文件2和对比文件1，本领域公知常识的结合不具备专利法第22条第3款规定的创造性。针对复审请求人的陈述意见，合议组认为：1、关于特征区间划分：对比文件2第3.1节和第3.2节记载了以下内容：按数据列索引标号从小到大依次为：1-单位数；2-时间，周期；3-操作工况1；4-操作工况2；5-操作工况3；6-传感器变量2；…；26-传感器变量21（此处操作工况1-3即操作状态参数数据，与本申请第48段记载的方案相同，对比文件2也是获得3种操作状态参数数据和21个传感器测量数据）。根据本文2.1节所述方法进行处理。通过所用方法，当找到第6个聚类中心后，再也找不到符合条件的聚类中心了，可以确定其工况数为6；然后进行K-means聚类得到聚类中心。图3显示按工况自动聚类的结果（本申请第49段根据3个操作状态参数是将数据分成6个特征空间，对比文件2对采集到的数据进行聚类，聚类后的数据也是形成6个不同的工况类型，且每个工况类型中的变量数据在相同的工况下比较，消除了工况的影响）。因此，对比文件2已经公开了权利要求1中的“将获取到的历史数据和当前数据按照机械设备的操作状态参数数据进行特征区间划分”。2、关于获取数据及特征提取：对于获取数据：本申请说明书第[0047]段记载的是：“发动机的历史数据和当前数据包括发动机的操作状态数据、传感器测量数据”。一是上述段落没有提到训练数据和测试数据；二是即使认为训练数据和测试数据也是从历史数据和当前数据中获得的，也不应该将两种不同类型的数据混为一谈（操作状态参数数据和传感器测量的数据是实际获取的参数数据类型；训练数据和测试数据是对实际获取的数据按照在预测模型中的用途进行分类，是对同一对象的两种不同的描述维度）；三是对比文件2也是从实际获取的数据中得到训练数据和测试数据，与本申请没有差异。对于特征提取：对比文件2第40页左栏最后一段：“假设所研究的数据集是有一个不断退化特性的且突发故障被视为预测的不确定性。虽然突发性故障可以是随机的，但下降过程是不可逆的”。第2.2节明确记载：“采用主成分分析法来进行有效的特征的提取以描述发动机状态”。也就是说，对比文件2在提取有效的特征以描述发动机状态时，也是按照随着设备的使用不断退化的指标作为特征值，这与本申请是一致的。3、关于主分量分析：首先，权利要求1中记载的是“对获取到的特征值进行归一化和主分量分析，对特征值进行压缩融合”，而不仅仅是进行主成分分析。其次，对比文件2第2.2节明确记载：“特征提取是对所测得多维变量进行变换或者选取，以有效精确地描述研究对象并具有一定的抗干扰特征。本文采用主成分分析法来进行有效的特征的提取以描述发动机状态”。因此，对比文件2在利用主成分分析法对多维数据进行降维，同时保留数据集中对方差贡献最大的特征本质上与本申请相同，不同在于同时采用归一化和主成分分析法进行特征融合。尽管如此，同时采用归一化和主成分分析法进行特征融合也是本领域常用技术手段。4、关于技术领域的认定，本申请和对比文件1属于相同的技术领域，均属于剩余使用寿命预测领域，不能因为预测对象不同而断定两者属于不同技术领域。对比文件1中的失效阈值一般也是经过失效实验所获得的具有指导性的数值，这与权利要求1中设定阈值本质是相同的，因此失效阈值能够等同于设定阈值。
复审请求人于2019年04月08日提交了意见陈述书，但未修改申请文件。复审请求人认为：对比文件1没有预测值，本申请的预测值是需要与设定阈值进行比较，如果超过设定阈值，则确定对应的高斯过程回归模型是正确的，可以计算剩余寿命，如果预测值没有超过设定阈值，则需要重新优化形成新的高斯过程回归模型，重新计算预测值。而对比文件1是先把GPR模型优化好，拟合好电池容量退化曲线，计算设定电池的容量，当电池容量达到设定阈值，即可算出对应的使用模型，没有重新优化形成新的高斯过程回归模型，重新计算预测值。
在上述程序的基础上，合议组认为本案事实已经清楚，可以作出审查决定。
二、决定的理由
审查文本的认定
复审请求人在答复复审通知书时未修改申请文件，因此本复审决定依据的文本与复审通知书所针对的文本相同，即：复审请求人于申请日2017年03月09日提交的说明书附图图1-10，说明书摘要及摘要附图；2017年05月22日提交的说明书第1-81段以及2018年04月02日提交的权利要求第1-8项。
关于专利法第22条第3款
专利法第22条第3款规定：创造性，是指与现有技术相比，该发明具有突出的实质性特点和显著的进步。
如果一项权利要求的技术方案与最接近的现有技术相比存在区别技术特征，且现有技术中也没有给出将上述区别技术特征应用到该最接近的现有技术以解决其存在的技术问题的启示，且上述区别技术特征使得权利要求的技术方案具备有益的技术效果，则该项权利要求相对于现有技术具有突出的实质性特点和显著的进步，符合专利法第22条第3款关于创造性的规定。
在本通知书中引用原审查部门在驳回决定中所引用的对比文件1和2作为现有技术，即：
对比文件1：“基于高斯过程回归的锂电池数据处理”，叶婧，中国优秀硕士学位论文全文数据库，第7期，第9-60页，2016年07月15日；
对比文件2：“基于多工况自动聚类的飞机发动机健康状态评估”，施浩等，机电一体化，第11期，第39-43页，2016年11月30日。
2.1.权利要求1不具备专利法第22条第3款规定的创造性。
权利要求1要求保护一种多工况下的机械设备剩余使用寿命计算方法。对比文件2是最接近的现有技术，其公开了以下技术特征（参见第39-43页）：一种基于多工况自动聚类的飞机发动机健康状态评估，可为飞机发动机的剩余使用寿命（相当于剩余使用寿命）预测提供一种可行且有效的理论方法和手段（摘要），此方法对飞机发动机健康评估及寿命预测具有实践指导意义（第43页右栏第1段，即一种多工况下的机械设备健康状态评估方法）。
选取于NASA航空发动机参数数据，其发动机使用PW2040型发动机。该数据集由26个变量组成，每一列是一个不同的变量。按数据列索引编号从小到大依次为：1——单位数；2——时间，周期；3——操作工况1；4——操作工况2；5——操作工况3；6——传感器变量1；……；21——传感器变量21（第42页左栏最后一段至右栏第1段，获取的数据包括时间，相当于获取机械设备的数据；数据包括机械设备的操作状态参数数据、传感器的测量数据）。
首先，对工况进行自动划分，进行自动工况聚类（相当于将获取到的数据按照机械设备的操作状态参数数据进行特征区间划分），再从大量传感器数据中选取与发动机性能衰退趋势密切相关的传感器变量进行分析并提取特征；之后定义逻辑回归模型，给出对飞机发动机的健康状态评估；最后用测试数据集对其结果精确性进行评价（第40页左栏第2段，获取的数据中包含测试数据集和训练数据集，相当于数据包括：训练数据和测试数据）。
权利要求1与对比文件2相比，其区别技术特征在于：获取机械设备的历史数据，形成高斯过程回归模型的原始的训练数据集；所述历史数据包括机械设备的操作状态参数数据、传感器的测量数据、训练数据和测试数据；形成高斯过程回归模型的原始的训练数据集的步骤为：将获取到的历史数据按照机械设备的操作状态参数数据进行特征区间划分；在获取到的历史数据中选择随着机械设备的使用而呈现收敛性的数据作为特征值；对获取到的特征值进行归一化和主分量分析，对特征值进行压缩融合；根据原始的训练数据集构建一个与机械设备的当前状态相对应的高斯过程回归模型；根据获得的高斯过程回归模型对表征机械设备运行状态的特征值进行预测，得到与剩余使用寿命相对应的预测值；判断得到的预测值是否超过设定阈值；若是，计算得到当前剩余使用寿命；若否，将获得的预测值纳入训练数据集内形成新的训练数据集并根据新的训练数据集优化或自动生成新的高斯过程回归模型，根据优化后的或自动生成的新的高斯过程回归模型对特征值进行预测，直到预测值超过设定阈值。基于上述区别技术特征，可以确定权利要求1相较于对比文件2，其实际解决的技术问题是如何对多工况下的机械设备使用高斯过程回归模型进行剩余使用寿命预测。
对于上述区别技术特征，对比文件1公开了以下技术特征（参见第9-60页）：基于高斯过程回归模型，采用相对容易获取的容量数据和电压数据来对锂电池的RUL（相当于剩余使用寿命）进行监测和预测研究（相当于一种剩余使用寿命计算方法）。
所采用数据分为两组，均采自航空航天这个锂电池研究的热门领域。
第一组数据来自某航天器的锂电池，本文研究其充放电电压数据，为方便记录，将该充放电电压记为锂电池S数据集。S数据集来源为：航天器中有专门的监测设备每隔8s采集一次电压数据，如与上次所采数据相同则无需记录，如不同则将此时电压数据与时间做好记录，作为电压的时间序列数据（上述由航天器中专门的监测设备获取的过去一段时间内每个8s采集的数据，相当于获取历史数据）。
第二组为锂电池退化状态监测数据，来自NASA Ames预测数据库。本文采用数据库中B5、86、B7、B18这4个锂电池的数据，在室温下对4个锂电池进行充电、放电与电化学阻抗测量这三组操作，并记录监测数据（第20页，上述第一组数据和第二组数据所获得的均是时间序列数据，包括过去一段时间的历史数据和当前时刻的监测数据，相当于获取历史数据和当前数据）。
基于GPR算法的建模过程主要包括：（1）选取学习样本与测试样本（在采集到的数据中选取合适的样本作为学习样本，相当于形成高斯过程回归模型的原始的训练数据集）；（2）选取合适的核函数，并设置超参数的初始值，从而以概率分布的形式确定GPR的先验模型；（3）通过训练学习样本，将先验模型转换成后验模型，同时对核函数的超参数进行优化，获得最优超参数（相当于根据原始的训练数据集构建一个与当前状态相对应的高斯过程回归模型）；（4）将测试样本应用到优化后的GPR后验模型中，输出预测点的预测分布估计（第27页）。
锂电池的容量是表征锂离子电池的健康状态SOH和剩余使用寿命RUL的重要因素，因此本节将对B6电池的容量数据进行建模。本节利用GPR算法对锂电池数据进行数据拟合。首先采用GPR算法对锂离子电池已有的容量数据进行训练，构建出合理的模型，然后再将这些数据作为测试数据检验该模型，这种方法也可称为数据拟合。采用Matem协方差函数的GPR模型可以很好地拟合电池容量退化曲线（第36页）。
但是，对比文件2没有公开区别技术特征“在获取到的历史数据中选择随着机械设备的使用而呈现收敛性的数据作为特征值；对获取到的特征值进行归一化和主分量分析，对特征值进行压缩融合；根据获得的高斯过程回归模型对表征机械设备运行状态的特征值进行预测，得到与剩余使用寿命相对应的预测值；判断得到的预测值是否超过设定阈值；若是，计算得到当前剩余使用寿命；若否，将获得的预测值纳入训练数据集内形成新的训练数据集并根据新的训练数据集优化或自动生成新的高斯过程回归模型，根据优化后的或自动生成的新的高斯过程回归模型对特征值进行预测，直到预测值超过设定阈值”，并且对比文件1和2都没有给出根据特征值的预测值与设定阈值的关系，动态调整重新优化形成新的高斯过程回归模型，上述区别特征使得权利要求1所要求保护的技术方案能够利用高斯过程回归模型不断地学习机械设备运行所产生的数据，进而不断的优化和更新自身的协方差函数和超参数，使其自身对机械设备的变化做出适应，从而解决多工况环境下的机械设备的状态预测问题，最终精确的计算出机械设备的剩余使用寿命。此外，上述区别技术特征不是本领域的公知常识，因此权利要求1的技术方案相对于对比文件2、对比文件1和本领的公知常识具备专利法第22条第3款规定的创造性。
2.2．关于权利要求2-7的创造性。
权利要求2-7直接或间接引用了权利要求1，在权利要求1相对于对比文件2、对比文件1和本领域的公知常识具备创造性时，权利要求2-7相对于对比文件2、对比文件1和本领域的公知常识也具备专利法第22条第3款规定的创造性。
2.3.关于权利要求8的创造性
权利要求8是与权利要求1对应的产品权利要求，基于与权利要求1相同的原因，权利要求8相对于对比文件2、对比文件1和本领域的公知常识也具备专利法第22条第3款规定的创造性。
对驳回决定和前置审查相关意见的评述
对比文件1和2没有公开技术特征“在获取到的历史数据中选择随着机械设备的使用而呈现收敛性的数据作为特征值；对获取到的特征值进行归一化和主分量分析，对特征值进行压缩融合；根据获得的高斯过程回归模型对表征机械设备运行状态的特征值进行预测，得到与剩余使用寿命相对应的预测值；判断得到的预测值是否超过设定阈值；若是，计算得到当前剩余使用寿命；若否，将获得的预测值纳入训练数据集内形成新的训练数据集并根据新的训练数据集优化或自动生成新的高斯过程回归模型，根据优化后的或自动生成的新的高斯过程回归模型对特征值进行预测，直到预测值超过设定阈值”，并且对比文件1和2都没有给出根据特征值的预测值与设定阈值的关系，动态调整重新优化形成新的高斯过程回归模型，上述区别特征使得权利要求1所要求保护的技术方案能够利用高斯过程回归模型不断地学习机械设备运行所产生的数据，进而不断的优化和更新自身的协方差函数和超参数，使其自身对机械设备的变化做出适应，从而解决多工况环境下的机械设备的状态预测问题，最终精确的计算出机械设备的剩余使用寿命。此外，上述区别技术特征也不是本领域的公知常识。因此权利要求1的技术方案相对于对比文件2、对比文件1和本领的公知常识具备专利法第22条第3款规定的创造性。
三、决定
撤销国家知识产权局于2018年08月01日对本申请作出的驳回决定。由国家知识产权局原审查部门在申请日2017年03月09日提交的说明书附图图1-10，说明书摘要及摘要附图；2017年05月22日提交的说明书第1-81段以及2018年04月02日提交的权利要求第1-8项的基础上对本申请继续进行审查。
如对本复审请求审查决定不服，根据专利法第41条第2款的规定，复审请求人可自收到本决定之日起三个月内向北京知识产权法院起诉。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
