# Обнаружение аномалий авиационных двигателей с помощью автоэнкодеров: анализ патентов Honeywell Автоэнкодер — нейронная сеть, обучаемая без учителя. Она формирует закодированное представление входных данных, а затем использует его для восстановления данных, максимально близких к исходным. Source: https://www.iplexlaw.co.kr/ru/blog/881215 ГЛАВНАЯ / Новости и аналитика Новости и аналитика Обнаружение аномалий авиационных двигателей с помощью автоэнкодеров: анализ патентов Honeywell Автоэнкодер — нейронная сеть, обучаемая без учителя. Она формирует закодированное представление входных данных, а затем использует его для восстановления данных, максимально близких к исходным. ИИ и программное обеспечение Опубликовано: 2023.07.07 IPLEX Время чтения: 4 мин. Автоэнкодер — нейронная сеть, обучаемая без учителя. Она формирует закодированное представление входных данных, а затем использует его для восстановления данных, максимально близких к исходным. Автоэнкодер может выводить данные, близкие к входным данным, которые модель наблюдала во время обучения, и выводить входные данные и удаленные данные, только если введены данные, которые не наблюдаются во время обучения. Автоэнкодеры часто используются для обнаружения аномалий. В этом посте мы представим патент Honeywell, связанный с «как обнаружить ошибки двигателя с помощью автоэнкодеров». Если нажать на изображение, то можно увидеть патент. Пункт 1 формулы изобретения 1. Система обнаружения неисправностей для обнаружения неисправностей в турбинном двигателе, система обнаружения неисправностей, включающая: кодирующая нейронная сеть, кодирующая нейронная сеть, принимающая данные датчика от турбинного двигателя, кодирующая нейронная сеть, создающая множество баллов из данных датчика, множество баллов, включающих уменьшенное пространственное представление характеристик данных датчика; где сеть кодирования обучается с объективной функцией с использованием данных исторического датчика, где объективная функция включает в себя сумму компонентов дисперсии и сумму компонентов ковариации, и где кодирующая нейронная сеть обучается с объективной функцией путем максимизации суммы компонентов дисперсии и минимизации суммы компонентов ковариации; и декодирующая нейронная сеть, декодирующая нейронная сеть, получающая множество баллов и создающая реконструированную оценку данных датчика. Традиционные системы обнаружения ошибок двигателя выполняли обнаружение ошибок на основе линейной зависимости между переменными системы, поэтому они не были эффективны при обнаружении ошибок в нелинейных системах. Кроме того, данные датчиков турбинного двигателя самолета имели нелинейную зависимость, что затрудняло обнаружение выхода из строя турбинного двигателя самолета с традиционными системами обнаружения неисправностей двигателя. Настоящее изобретение направлено на решение этих проблем. Согласно пункту 1 формулы, кодирующая нейронная сеть получает данные датчиков авиационного газотурбинного двигателя и формирует набор значений, представляющих эти данные в пространстве признаков пониженной размерности. Декодирующая нейронная сеть получает этот набор и создаёт восстановленную оценку исходных данных. Таким образом, описанная в пункте 1 архитектура представляет собой автоэнкодер. В пункте 1 также подробнее раскрыт способ обучения кодирующей нейронной сети на исторических данных. Целевая функция направлена на максимизацию суммы компонент дисперсии и минимизацию суммы компонент ковариации. С другой стороны, согласно настоящему изобретению, определено, что существует ошибка в разнице между вводом данных в кодирующую нейронную сеть и выводом данных из декодирующей нейронной сети. Это распространенный контент, который обнаруживает аномалии (ошибки) с помощью автоэнкодера. В рассмотренном патенте область применения формулы изобретения ограничена обнаружением неисправностей газотурбинного двигателя. Если бы формула не содержала этого ограничения по области применения, а описывала получение данных кодирующей сетью, формирование представления пониженной размерности и восстановление оценки данных декодирующей сетью, можно было бы рассмотреть более широкий объём охраны. Разумеется, его допустимость зависела бы от первоначального раскрытия и уровня техники. При патентовании технологий искусственного интеллекта особенно важно составить формулу изобретения так, чтобы обеспечить максимально широкий обоснованный объём охраны. Прочитать корейский оригинал Материал отражает ситуацию на дату публикации. Обратитесь в IPLEX, чтобы обсудить обстоятельства вашего дела. Обсудить этот вопрос ↗ Все статьи ОБРАТИТЕСЬ В IPLEX Обсудите с нами вопросы интеллектуальной собственности Мы рассматриваем ваши технологические и бизнес-потребности вместе. ↗ Связаться с нами Новее Ким Ёндок проводит тренинг по интеллектуальной собственности для компаний Центра поддержки бизнеса нового контента ↗ Ранее Умные производства и прогнозирование состояния роботов: анализ патентов ABB ↗ Материалы по теме ИИ и программное обеспечение 2026.10.01 FiX: избирательное забывание признаков в softmax-внимании Патентный поверенный Ким Ёндок рассматривает векторные затворы FiX, устойчивость вычислений и страничный кэш, отделяя результаты экспериментов от открытых вопросов. ↗ Читать статью ИИ и программное обеспечение 2026.09.30 MHAR: выбор информации из предыдущих слоёв по подпространствам признаков Корейский патентный поверенный Ким Ёндок разбирает Multi-Head Attention Residuals: маршрутизацию по глубине, результаты экспериментов, затраты реализации и технические эффекты. ↗ Читать статью ИИ и программное обеспечение 2026.09.28 Колонка в AI Times: как ИИ учится работать с компьютером — анализ патента на обучение агентов В новой колонке для AI Times управляющий партнёр IPLEX Ким Ёндок рассматривает Claude Computer Use и обучение ИИ-агентов на примере патента США № 12 585 862. ↗ Читать статью - https://www.iplexlaw.co.kr/ru - https://www.iplexlaw.co.kr/ru/blog/category/ai - https://drive.google.com/file/d/1kae6e2Xc5lW3Z47s32ElHxauZNcsw8Dw/view - https://www.iplexlaw.co.kr/forum/view/881215 - https://www.iplexlaw.co.kr/ru/contact - https://www.iplexlaw.co.kr/ru/blog - https://www.iplexlaw.co.kr/ru/contact - https://www.iplexlaw.co.kr/ru/blog/891537 - https://www.iplexlaw.co.kr/ru/blog/879758 - https://www.iplexlaw.co.kr/ru/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/ru/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/ru/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/ru/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/ru/blog/claude-computer-use-agent-patent - https://www.iplexlaw.co.kr/ru/blog/claude-computer-use-agent-patent