买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安交通大学申请的专利基于故障敏感特征深度距离测度的传动系统故障检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117235563B 。

龙图腾网通过国家知识产权局官网在2025-09-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211679785.0，技术领域涉及：G06F18/24；该发明授权基于故障敏感特征深度距离测度的传动系统故障检测方法是由孙闯;李亚松;杨远贵;许洪;陈雪峰设计研发完成，并于2022-12-26向国家知识产权局提交的专利申请。

本基于故障敏感特征深度距离测度的传动系统故障检测方法在说明书摘要公布了：公开了一种基于故障敏感特征深度距离测度的传动系统故障检测方法，方法包括：首先利用振动传感器采集锥齿轮正常状态和故障状态的振动信号，并提取信号的时域、频域特征构造样本集；然后计算特征类内类间距离评估其对故障状态的敏感性；将筛选的正常状态的特征输入到深度支持向量数据描述模型中训练进而构造可学习正常样本共有特征的超球体并设定故障阈值；将筛选的正常和故障状态特征输入到Deep‑SVDD网络中计算与超球体球心的距离，根据预设阈值判断锥齿轮的健康状态。本发明通过特征评估技术筛选锥齿轮故障敏感特征，并基于正常状态数据训练Deep‑SVDD网络构造超球体，最终实现传动系统锥齿轮健康状态的监测。

本发明授权基于故障敏感特征深度距离测度的传动系统故障检测方法在权利要求书中公布了：1.一种基于故障敏感特征深度距离测度的传动系统故障检测方法，其特征在于，所述的方法包括以下步骤： 步骤1，使用传感器采集传动系统中正常状态和故障状态锥齿轮的振动信号； 步骤2，对采集的所述振动信号进行时序分割构造样本集，提取每个样本时频域特征并组成一维特征行向量以构建样本特征集； 步骤3，计算特征类间和类内距离，特征类间和类内距离的比值为筛选因子，将敏感性大于筛选因子的特征保留，划分训练集均为正常样本，测试集为正常样本和故障样本的组合； 步骤4，将训练集输入到Deep-SVDD模型中训练学习正常样本的共有特征，确定超球体中心和半径并设定故障阈值； 步骤5，测试集输入到Deep-SVDD模型中得到特征向量，计算深度距离并与所述故障阈值进行对比以检测锥齿轮故障状态； 其中，步骤4中，Deep-SVDD模型训练包括以下步骤： Deep-SVDD模型包括由线性层组成的自编码器模型，其中，激活函数设置为ReLU函数；Encoder网络中三层线性层维度为128，64，32，Decoder中三层线性层维度为32，64，128，隐层特征编码维度为32；将样本输入到自编码器中并以样本重构损失为目标函数训练网络，将编码器中的隐层特征均值设置为超球体球心c； 训练自编码器的Encoder网络，损失函数为： ， 其中R为超球体半径，为训练样本的数量，为数值在0到1的超参数，函数表示两者之间的最大值,参数为的Encoder网络，为损失平衡系数，N为训练样本数量，表示F-范数，表示网络层数，表示第层的网络参数，第一项损失目标是最小化超球体半径，第二项损失目标是惩罚在超球体外特征与球心c之间的距离，第三项损失是L2正则项防止网络过拟合，在网络优化时交替更新R，具体方法为固定R训练一定次数后，选取新的超球体半径，选取方式为： ， 式中在球外样本数量，为更新前的超球体半径，为更新后的超球体半径，更新R后继续训练，如此迭代更新实现网络训练，最后计算正常特征到球心c的距离确定故障报警阈值； 步骤5中，深度距离为测试样本输入到Encoder网络中输出的特征向量与中心点c之间的欧式距离；如果采集的样本特征输入到模型中所计算的深度距离连续三次超过预设故障阈值，则认为锥齿轮出现故障。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安交通大学，其通讯地址为：710049 陕西省西安市咸宁西路28号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。