買(mǎi)專利賣(mài)專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜新疆大學(xué)申請(qǐng)的專利基于群分解和改進(jìn)多尺度權(quán)重散布熵的齒輪箱故障診斷方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115683620B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-16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(qǐng)?zhí)?專利號(hào)為：202211394604.X，技術(shù)領(lǐng)域涉及：G01M13/028；該發(fā)明授權(quán)基于群分解和改進(jìn)多尺度權(quán)重散布熵的齒輪箱故障診斷方法是由孫文磊;焦華超;王宏偉設(shè)計(jì)研發(fā)完成，并于2022-11-09向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于群分解和改進(jìn)多尺度權(quán)重散布熵的齒輪箱故障診斷方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了基于群分解和改進(jìn)多尺度權(quán)重散布熵的齒輪箱故障診斷方法，包括信號(hào)采集系統(tǒng)和故障診斷系統(tǒng)；所述信號(hào)采集系統(tǒng)采集齒輪箱振動(dòng)數(shù)據(jù)，基于STM32開(kāi)發(fā)板進(jìn)行開(kāi)發(fā)，由Flash存儲(chǔ)芯片、CAN發(fā)送模塊、加速度傳感器和AD轉(zhuǎn)化芯片共同組成；所述故障診斷系統(tǒng)診斷齒輪箱故障類型，對(duì)收集到的齒輪箱振動(dòng)數(shù)據(jù)，使用經(jīng)優(yōu)化蝙蝠算法確定參數(shù)的群智能分解SWD算法分解出有用信號(hào)成分，經(jīng)過(guò)本發(fā)明方法的處理，可以較為準(zhǔn)確的提取信號(hào)中的有用特征，保留有用沖擊成分，重構(gòu)信號(hào)失真度低；通過(guò)本發(fā)明可以快速、準(zhǔn)確地檢測(cè)齒輪箱是否發(fā)生故障及故障類型，進(jìn)而及時(shí)處理，避免因齒輪箱故障引起更大的經(jīng)濟(jì)損失甚至安全事故。

本發(fā)明授權(quán)基于群分解和改進(jìn)多尺度權(quán)重散布熵的齒輪箱故障診斷方法在權(quán)利要求書(shū)中公布了：1.一種基于群分解和改進(jìn)多尺度權(quán)重散布熵的齒輪箱故障診斷方法，其特征在于：信號(hào)采集系統(tǒng)采集齒輪箱振動(dòng)數(shù)據(jù)，基于STM32開(kāi)發(fā)板進(jìn)行開(kāi)發(fā)，所述信號(hào)采集系統(tǒng)由Flash存儲(chǔ)芯片、CAN發(fā)送模塊、加速度傳感器、AD轉(zhuǎn)化芯片共同組成；故障診斷系統(tǒng)診斷齒輪箱故障類型，對(duì)收集到的齒輪箱振動(dòng)數(shù)據(jù)，使用經(jīng)優(yōu)化蝙蝠算法確定參數(shù)的SWD算法分解出有用信號(hào)成分；所述SWD算法的適度函數(shù)為：采用分解后的OC分量的包絡(luò)譜峭度均值的倒數(shù)作為適應(yīng)度函數(shù)評(píng)估分解效果；利用改進(jìn)多尺度權(quán)重散布熵算法進(jìn)行信號(hào)的特征提取；提取特征通過(guò)優(yōu)化蝙蝠算法確定參數(shù)的SVM分類器確定故障類型；所述的SVM分類器識(shí)別不同類別故障的方法是：使用libsvm模型；輸入特性向量，確定支持向量機(jī)類型、核函數(shù)類型、停止訓(xùn)練的誤差精度、每個(gè)類所占據(jù)的權(quán)重、懲罰系數(shù)、核函數(shù)系數(shù)，之后進(jìn)行故障識(shí)別；所述SVM算法的適度函數(shù)為：采用5折交叉驗(yàn)證的準(zhǔn)確率作為適度函數(shù)評(píng)估分類準(zhǔn)確率；所述的改進(jìn)多尺度權(quán)重散布熵特征提取方法是：步驟1在多尺度散布熵的基礎(chǔ)上，對(duì)于輸入時(shí)間序列X，粗粒化時(shí)選取最大值作為粗粒化的值，以便提取時(shí)間序列中微弱的沖擊成分更好的表述信號(hào)的特征，計(jì)算公式為： 式3中：代表最大尺度因子為τ，當(dāng)前尺度因子為s時(shí)的粗粒化序列，X為原始輸入離散時(shí)間序列；為原始序列中從Xi-1s+τ到Xis+τ-1區(qū)間的最大值；N為信號(hào)長(zhǎng)度；步驟2粗粒化后壓縮維度的概率計(jì)算時(shí)，增加考慮重構(gòu)向量集中度的評(píng)估權(quán)重參數(shù)ωi，更近一步突出時(shí)間序列中沖擊成分，計(jì)算公式為： 式4中：為第i個(gè)相空間重構(gòu)向量所對(duì)應(yīng)的排列樣式；m為嵌入維度；d為時(shí)延；為第j個(gè)相空間重構(gòu)向量所對(duì)應(yīng)的排列樣式；count·函數(shù)表示統(tǒng)計(jì)從到所有潛在的排列樣式中與當(dāng)前排列樣式相同的數(shù)量；ωi為第i個(gè)相空間重構(gòu)向量的權(quán)重；Zi為第i個(gè)相空間重構(gòu)向量；為第i個(gè)相空間重構(gòu)向量均值；為第i個(gè)相空間重構(gòu)向量的第j個(gè)值；步驟3最后計(jì)算改進(jìn)多尺度權(quán)重散布熵EX,m,d,c，計(jì)算公式為： 式5中：X為原始輸入離散時(shí)間序列；m為嵌入維度；d為時(shí)延；c為序列重構(gòu)時(shí)分類數(shù)。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人新疆大學(xué)，其通訊地址為：830046 新疆維吾爾自治區(qū)烏魯木齊市天山區(qū)勝利路666號(hào)；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)”。