買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜重慶理工大學申請的專利一種基于小波時頻圖與深度學習的軸承故障診斷方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114964778B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-04-29發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210523318.2，技術(shù)領(lǐng)域涉及：G01M13/045；該發(fā)明授權(quán)一種基于小波時頻圖與深度學習的軸承故障診斷方法是由程瑤;賈寧;劉云陽;高晨斐;田又源設(shè)計研發(fā)完成，并于2022-05-13向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于小波時頻圖與深度學習的軸承故障診斷方法在說明書摘要公布了：本發(fā)明涉及一種基于小波時頻圖與深度學習的軸承故障診斷方法，方法包括：獲取滾動軸承多個正常振動信號、多個外圈故障振動信號、多個內(nèi)圈故障振動信號，以及多個滾動體故障振動信號；將每個正常振動信號、外圈故障振動信號、內(nèi)圈故障振動信號以及滾動體故障振動信號依次進行VMD預(yù)處理和CWT處理后，得到包含有正常矩陣、外圈故障矩陣、內(nèi)圈故障矩陣和滾動體故障矩陣的數(shù)據(jù)集；使用SSA對SDAE的學習率和批量大小兩個參數(shù)進行全局組合優(yōu)化，得到優(yōu)化SDAE；將數(shù)據(jù)集輸入至優(yōu)化SDAE中進行訓練；將采集到的待檢測滾動軸承信號經(jīng)過輸入訓練后的SDAE中獲得故障評估與診斷結(jié)果。

本發(fā)明授權(quán)一種基于小波時頻圖與深度學習的軸承故障診斷方法在權(quán)利要求書中公布了：1.一種基于小波時頻圖與深度學習的軸承故障診斷方法，其特征在于，所述方法包括：獲取滾動軸承在正常振動狀態(tài)下的多個正常振動信號，在外圈故障振動狀態(tài)下的多個外圈故障振動信號，在內(nèi)圈故障振動狀態(tài)下的多個內(nèi)圈故障振動信號，以及在滾動體故障振動狀態(tài)下的多個滾動體故障振動信號；將每個正常振動信號、外圈故障振動信號、內(nèi)圈故障振動信號以及滾動體故障振動信號依次進行VMD預(yù)處理和CWT處理后，得到包含有正常矩陣、外圈故障矩陣、內(nèi)圈故障矩陣和滾動體故障矩陣的數(shù)據(jù)集；使用SSA對SDAE的學習率和批量大小兩個參數(shù)進行全局組合優(yōu)化，得到優(yōu)化SDAE；將所述數(shù)據(jù)集輸入至所述優(yōu)化SDAE中進行訓練；將采集到的待檢測滾動軸承信號經(jīng)過輸入訓練后的SDAE中獲得故障評估與診斷結(jié)果；所述將每個正常振動信號、外圈故障振動信號、內(nèi)圈故障振動信號以及滾動體故障振動信號依次進行VMD預(yù)處理和CWT處理后，得到包含有正常矩陣、外圈故障矩陣、內(nèi)圈故障矩陣和滾動體故障矩陣的數(shù)據(jù)集，包括：將每個正常振動信號依次進行VMD預(yù)處理和CWT處理后，得到與所述正常振動信號對應(yīng)的二維尺度特征矩陣，根據(jù)多個正常振動信號對應(yīng)的二維尺度特征矩陣得到正常矩陣；將每個外圈故障振動信號依次進行VMD預(yù)處理和CWT處理后，得到與所述外圈故障振動信號對應(yīng)的二維尺度特征矩陣，根據(jù)多個外圈故障振動信號對應(yīng)的二維尺度特征矩陣得到外圈故障矩陣；將每個內(nèi)圈故障振動信號依次進行VMD預(yù)處理和CWT處理后，得到與所述內(nèi)圈故障振動信號對應(yīng)的二維尺度特征矩陣，根據(jù)多個內(nèi)圈故障振動信號對應(yīng)的二維尺度特征矩陣得到內(nèi)圈故障矩陣；將每個滾動體故障振動信號依次進行VMD預(yù)處理和CWT處理后，得到與所述滾動體故障振動信號對應(yīng)的二維尺度特征矩陣，根據(jù)多個滾動體故障振動信號對應(yīng)的二維尺度特征矩陣得到滾動體故障矩陣；將正常矩陣、外圈故障矩陣、內(nèi)圈故障矩陣和滾動體故障矩陣保存至數(shù)據(jù)集中；所述將每個正常振動信號依次進行VMD預(yù)處理和CWT處理后，得到與所述正常振動信號對應(yīng)的二維尺度特征矩陣，根據(jù)多個正常振動信號對應(yīng)的二維尺度特征矩陣得到正常矩陣，包括：將每個正常信號進行VMD預(yù)處理獲得多個不同頻率的BIMF，計算每個BIMF的相關(guān)峭度值，獲得最大相關(guān)峭度值對應(yīng)的BIMF作為關(guān)鍵BIMF；采用下述公式計算每個BIMF的相關(guān)峭度值： ；其中，yn為信號，T為感興趣的周期，N為信號的采樣點數(shù)，M為移位的周期個數(shù)；將所述關(guān)鍵BIMF經(jīng)過CWT處理得到與所述正常振動信號對應(yīng)的二維尺度特征矩陣；根據(jù)多個正常振動信號對應(yīng)的二維尺度特征矩陣得到正常矩陣；所述使用SSA對SDAE的學習率和批量大小兩個參數(shù)進行全局組合優(yōu)化，得到優(yōu)化SDAE，包括：1根據(jù)學習率和批量大小的取值范圍設(shè)置麻雀群體搜索范圍；2初始化麻雀搜索算法相關(guān)參數(shù)，包括麻雀種群數(shù)量、生產(chǎn)者數(shù)目和安全閾值；3初始化麻雀位置并計算適應(yīng)度，將網(wǎng)絡(luò)微調(diào)階段的交叉熵作為麻雀的適應(yīng)度；4使用麻雀搜索算法進行迭代尋優(yōu)：在一次迭代過程中，比較適應(yīng)度大小，紀錄麻雀群體中的最優(yōu)位置和最差位置，其中，適應(yīng)度最小的麻雀的位置是當前全局最優(yōu)位置Xbest，適應(yīng)度最大的麻雀的位置是全局最差位置Xworst；5判斷當前迭代次數(shù)是否超過迭代上限：如果是，則結(jié)束迭代并輸出全局最優(yōu)結(jié)果Xbest[α*,β*]及其迭代誤差曲線；如果沒有，執(zhí)行步驟（6）；6初始化超出搜索范圍的麻雀，處于群體邊緣的麻雀向中間靠攏，處于群體中心的麻雀隨機移動；7將麻雀的位置所對應(yīng)的參數(shù)組合X[α，β]帶入SDAE網(wǎng)絡(luò)，獲得實際值和預(yù)測值的交叉熵，即麻雀的適應(yīng)度；迭代次數(shù)加1，并跳轉(zhuǎn)至步驟4。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人重慶理工大學，其通訊地址為：400000 重慶市巴南區(qū)花溪街道紅光大道69號重慶理工大學；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。