買專利賣專利找龍圖騰，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)恭喜中原工學(xué)院申請(qǐng)的專利一種變速工況下滾動(dòng)軸承故障診斷方法獲國(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：CN114112398B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-27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：202111410111.6，技術(shù)領(lǐng)域涉及：G01M13/045；該發(fā)明授權(quán)一種變速工況下滾動(dòng)軸承故障診斷方法是由余發(fā)軍;駱錚;韓茜茜;林漫漫;趙啟鳳;張利民;張梁設(shè)計(jì)研發(fā)完成，并于2021-11-25向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種變速工況下滾動(dòng)軸承故障診斷方法在說明書摘要公布了：一種變速工況下滾動(dòng)軸承故障診斷方法，通過對(duì)正交方向振動(dòng)信號(hào)的階譜分析構(gòu)建不受轉(zhuǎn)速影響的階譜特征，利用多層卷積神經(jīng)網(wǎng)絡(luò)提取階譜特征中有效故障特征，最后通過全連接神經(jīng)網(wǎng)絡(luò)層決策故障類型，包括：利用雙通道加速度傳感器測(cè)取滾動(dòng)軸承在不同轉(zhuǎn)速工況時(shí)水平方向的振動(dòng)信號(hào)和垂直方向的振動(dòng)信號(hào)；對(duì)測(cè)取的雙通道振動(dòng)信號(hào)進(jìn)行預(yù)處理，區(qū)分不同的故障類型，設(shè)置一定的重疊長(zhǎng)度，將每種故障類型的雙通道振動(dòng)信號(hào)重疊截?cái)喑砷L(zhǎng)度相同的若干段；構(gòu)建階譜特征矩陣；搭建一維卷積神經(jīng)網(wǎng)絡(luò)；對(duì)搭建的一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；對(duì)訓(xùn)練過的一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，計(jì)算出類別診斷正確率和總診斷正確率。本發(fā)明在變速工況故障診斷方面具有顯著的優(yōu)勢(shì)。

本發(fā)明授權(quán)一種變速工況下滾動(dòng)軸承故障診斷方法在權(quán)利要求書中公布了：1.一種變速工況下滾動(dòng)軸承故障診斷方法，采用基于卷積神經(jīng)網(wǎng)絡(luò)的智能診斷方法，通過對(duì)正交方向振動(dòng)信號(hào)的階譜分析構(gòu)建不受轉(zhuǎn)速影響的階譜特征，構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò)提取階譜特征中有效故障特征，最后通過全連接神經(jīng)網(wǎng)絡(luò)層決策故障類型，其特征在于，包括步驟如下：S1，利用雙通道加速度傳感器測(cè)取滾動(dòng)軸承在不同轉(zhuǎn)速工況時(shí)，水平方向的振動(dòng)信號(hào)和垂直方向的振動(dòng)信號(hào)；S2，對(duì)測(cè)取的雙通道振動(dòng)信號(hào)進(jìn)行預(yù)處理，區(qū)分不同的故障類型，設(shè)置一定的重疊長(zhǎng)度，將每種故障類型的雙通道振動(dòng)信號(hào)重疊截?cái)喑扇舾啥危姑慷伍L(zhǎng)度相同；S3，構(gòu)建階譜特征矩陣，其過程如下：步驟3.1：利用1式構(gòu)成復(fù)信號(hào)zi＝xi+jyi1其中：i為經(jīng)步驟S2得到的各段振動(dòng)信號(hào)的序號(hào)，zi為構(gòu)成的復(fù)信號(hào)，xi和yi分別為經(jīng)步驟S2得到的每段水平方向的振動(dòng)信號(hào)和垂直方向的振動(dòng)信號(hào)，j為虛單位，滿足j2＝-1；步驟3.2：利用2式求取譜階 其中：k為譜階的階次，Ok為階次k的譜值，l和L分別為復(fù)信號(hào)zi中數(shù)據(jù)點(diǎn)序號(hào)和復(fù)信號(hào)zi中總數(shù)據(jù)點(diǎn)數(shù)，zil為復(fù)信號(hào)zi中第l個(gè)數(shù)據(jù)值，w為角頻率，fr和Fs分別為滾動(dòng)軸承的轉(zhuǎn)動(dòng)頻率和振動(dòng)信號(hào)的采樣頻率；步驟3.3：利用3式計(jì)算各階次的正進(jìn)半徑和反進(jìn)半徑 其中：Rpk和Rrk分別為階次k的正進(jìn)半徑和反進(jìn)半徑，|Ok|和|OL-k|分別表示取Ok和OL-k的復(fù)數(shù)模；步驟3.4：利用4式計(jì)算各階次的斜率 其中：tgk為階次k的斜率，ORk和OIk分別表示取Ok的實(shí)部和虛部，ORL-k和OIL-k分別表示取OL-k的實(shí)部和虛部；步驟3.5：將Rpk、Rrk和tgk合并為向量RpkRrktgk；步驟3.6：從k＝1開始，重復(fù)步驟3.2-3.5，直到k＝K結(jié)束，其中K為階次的最大值，K的具體值在應(yīng)用中設(shè)定；將所有k＝1,…,K得到的向量合并，得到矩陣 步驟3.7：對(duì)得到的矩陣的每列按5式進(jìn)行規(guī)范化處理， 其中：xk和x'k分別表示規(guī)范化處理前的每列中第k個(gè)數(shù)據(jù)和規(guī)范化處理后的每列中第k個(gè)數(shù)據(jù)，和分別表示每列中最大數(shù)據(jù)和最小數(shù)據(jù)；規(guī)范化處理后得到的矩陣即為此樣本、即復(fù)信號(hào)zi的階譜特征矩陣，然后將此階譜特征矩陣輸入到卷積神經(jīng)網(wǎng)絡(luò)中；重復(fù)步驟上述過程，直到處理完所有采集的振動(dòng)信號(hào)停止，得到一系列各種故障類型的階譜特征矩陣樣本；S4，搭建一維卷積神經(jīng)網(wǎng)絡(luò)；搭建一維卷積神經(jīng)網(wǎng)絡(luò)的過程如下，該卷積神經(jīng)網(wǎng)絡(luò)特征有：4.1：第1層為輸入層，包含3個(gè)K×1的列向量節(jié)點(diǎn)，分別接收來自步驟S3的譜階特征矩陣的第1列、第2列和第3列；4.2：第2層至第9層為4個(gè)卷積層和4個(gè)池化層，卷積層和池化層交替出現(xiàn)；其中：第1個(gè)卷積層的核函數(shù)寬度和通道數(shù)分別設(shè)定為24和32；第2個(gè)卷積層的核函數(shù)寬度和通道數(shù)分別設(shè)定為18和64；第3個(gè)卷積層的核函數(shù)寬度和通道數(shù)分別設(shè)定為15和64；第4個(gè)卷積層的核函數(shù)寬度和通道數(shù)分別設(shè)定為12和128；4個(gè)卷積層和4個(gè)池化層的跨步步長(zhǎng)均設(shè)定為2；4個(gè)卷積層的卷積運(yùn)算按6式進(jìn)行， 6式中：q和m分別為卷積層序號(hào)和神經(jīng)元序號(hào)，和分別為第q個(gè)卷積層的第m個(gè)神經(jīng)元的輸出和第q個(gè)卷積層的第m個(gè)神經(jīng)元的偏值，c和C分別為第q-1個(gè)卷積層的通道序號(hào)和通道總數(shù)，為第q-1個(gè)卷積層的第c個(gè)通道的輸出，為第q-1個(gè)卷積層的第c個(gè)通道與第q個(gè)卷積層的第m個(gè)神經(jīng)元之間的連接權(quán)重，f·表示激活函數(shù)，取ReLU函數(shù)，其表達(dá)式為： 7式中：t表示激活函數(shù)的輸入值，ft為激活函數(shù)的輸出值；4個(gè)池化層的池化運(yùn)算按8式進(jìn)行 8式中：q和j分別為卷積層的序號(hào)和池化塊的序號(hào)，r、s和i分別為池化塊的數(shù)據(jù)寬度、跨步步長(zhǎng)和池化塊中數(shù)據(jù)的序號(hào)，c'q,j為第q個(gè)卷積層中第j個(gè)池化塊的輸出,cq,j-1×s+i表示在第q個(gè)卷積層中第j個(gè)池化塊內(nèi)池化操作前的第i個(gè)數(shù)據(jù)值，表示取第q個(gè)卷積層中第j個(gè)池化塊內(nèi)的最大數(shù)據(jù)值；4.3：第10層和第11層分別為平展層和隨機(jī)失活層；4.4：第12層和第13層均為全連接層，其包含的神經(jīng)元數(shù)量分別為144和5；全連接層的運(yùn)算按9式進(jìn)行 9式中：m為全連接層中神經(jīng)元的序號(hào)，ym和bm分別為全連接層中第m個(gè)神經(jīng)元的輸出和偏值，i和I分別為全連接層輸入數(shù)據(jù)的序號(hào)和輸入數(shù)據(jù)的總數(shù)，xi為全連接層中第i個(gè)輸入數(shù)據(jù)，wm,i為全連接層中第i個(gè)輸入數(shù)據(jù)與第m個(gè)神經(jīng)元的連接權(quán)重，f·為激活函數(shù)；第12層的激活函數(shù)f·取ReLU即7式，第13層的激活函數(shù)f·取Softmax，如10式 10式中，ti為激活函數(shù)f·的輸入，i和M分別為神經(jīng)元的序號(hào)和總數(shù)，fti為激活函數(shù)f·的輸出，e為自然常數(shù)，e＝2.718281828…；S5，對(duì)步驟S4搭建的一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；S6，對(duì)步驟S5訓(xùn)練過的一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，計(jì)算出類別診斷正確率和總診斷正確率。

如需購(gòu)買、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)人中原工學(xué)院，其通訊地址為：451191 河南省鄭州市新鄭雙湖經(jīng)濟(jì)技術(shù)開發(fā)區(qū)淮河路1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)”。