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！

龙图腾网获悉四川轻化工大学;宜宾嘉博智能科技有限公司申请的专利一种新型旋转机械故障智能诊断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：CN120670788B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202511155978.X，技术领域涉及：G06F18/20；该发明授权一种新型旋转机械故障智能诊断方法是由唐宇峰;吕奇;何俚秋;李家伟;郑江;程钢;付海嘉设计研发完成，并于2025-08-18向国家知识产权局提交的专利申请。

本一种新型旋转机械故障智能诊断方法在说明书摘要公布了：本发明提供了一种新型旋转机械故障智能诊断方法，属于故障诊断技术领域，其内容包括：获取旋转机械在正常及不同故障类型下的振动信号；采用变分模态分解方法VMD对振动信号进行预处理，分解并去除噪声后重构生成新信号；采用短时傅里叶变换STFT将新信号转化成为二维时频图像；采用星际舰队优化算法SFA优化卷积神经网络‑长短时记忆网络CNN‑LSTM的超参数；将二维时频图像输入优化超参数后的CNN‑LSTM模型进行训练；将待诊断旋转机械故障诊断信号进行降噪及二维时频图像转化后，输入到VMD‑SFA‑CNN‑LSTM模型中实现旋转机械故障诊断。本发明对提高旋转机械故障诊断准确率、指导设备维护维修具有十分重要的实际意义。

本发明授权一种新型旋转机械故障智能诊断方法在权利要求书中公布了：1.一种新型旋转机械故障智能诊断方法，其特征在于，包括以下步骤： 步骤一：获取旋转机械在正常情况及不同故障类型下的待训练振动信号； 步骤二：采用变分模态分解对振动信号进行降噪预处理，预处理包括对信号分解、去噪、重构而生成新振动信号； 步骤三：将新振动信号通过短时傅里叶变换转换为二维时频图像； 步骤四：设置星际舰队优化算法所需参数； 步骤五：以二维时频图像为输入，通过星际舰队优化算法优化CNN-LSTM神经网络的超参数； 步骤六：基于优化后的超参数，训练得到基于VMD-SFA-CNN-LSTM的一种新型旋转机械故障智能诊断方法的旋转机械故障诊断模型； 步骤七：将待诊断的故障诊断信号进行降噪预处理，通过短时傅里叶变换转化为二维时频图像，并将图像输入到训练好的VMD-SFA-CNN-LSTM智能化旋转机械故障诊断模型中，实现旋转机械故障诊断； 所述星际舰队优化算法用三种类型的船舰代表寻优个体，分别为：破空舰、调度舰和搜寻舰，寻优分四个阶段： 1初始化阶段：采用混沌映射随机生成M艘船舰，且初始化阶段M搜船舰的类型均为破空舰，其表达式为： x i,0=rand∈[0,1] x i,k+1=xi,k0.7当xi,k0.7 x i,k+1=1-xi,k0.7当xi,k≥0.7 Xi=lb+Bi⊙ub-lb 其中，xi,0代表船舰i对应的混沌序列的初始值，rand∈[0,1]表达取0~1间的随机数；xi,k和xi,k+1代表船舰i对应的dim维混沌序列中第k维和第k+1维的值，k为从0到dim-1的整数值，i=1,2,...,M，Xi代表第i艘船舰的位置，Bi=xi,1,xi,2,...,xi,dim为船舰i对应的混沌序列，⊙为逐元素乘法，lb为搜索域的下限，ub为搜索域的上限，Xi，lb，ub都是dim维向量，其中dim代表求解问题维度； 2资源初探阶段：该阶段迭代总次数为n，且每次迭代中各破空舰都会选择N个维度对的位置进行更新，N的表达式为： N=max1,ceildim4 其中，所述N个维度对的位置，是由该破空舰的所有dim个维度中，随机抽取2N个维度的值并两两组合而成；ceil代表对括号中的内容进行上取整；max代表对括号中的所有值取最大值； 当对船舰i的维度对位置进行更新时，会随机选择另外一艘船舰作为参考舰r，更新方法为： Δj=Xrj-Xij Δk=Xrk-Xik Xinewj=Xij+η1σjΔj Xinewk=Xi 其中，代表待更新维度对值的两个维度；X，X为参考舰在维度的位置，X，Xk为待更新的船舰在维度的位置，Δ，Δ为参考舰和船舰在两个维度的差值，为0到1之间的随机数，∈{−1,1}为随机方向因子，代表随机等于-1或者1，Xnew，Xnew为船舰在维度更新后的位置； 3周期性舰队重构阶段：资源初探阶段后的第一次迭代立即触发周期性舰队重构，并在之后以次迭代为一个周期触发周期性舰队重构，重构方法如下： 首先，对所有船舰进行资源评估，按照个体历史最优适应度值优劣作为评估依据，将船舰划分为头部船舰、尾部船舰和中部船舰： =max2,floor0.1 =max2,floor0.1 mid 其中，floor代表对括号中的内容进行下取整，为头部船舰个数，为尾部船舰个数，mid为中部船舰个数； 其次，按照船舰所处位置对船舰类型进行重构： ①对于头部船舰，转变为调度舰并跳跃到自身个体最优位置，并为其分配搜寻舰吸引权重，权重包括当前调度舰分配权重wi、归一化后的被选择概率pi、累积概率分布Pi，如下： Xinew=Pi ρ=1+0.5ttmax w i =H-iρ当iH3 w i =H-i当i≥H3 p i =wisumw1,w2,...wHi=1,2,…,H P i =sump1,p2,...,pii=1,2,…,H 其中，Pi为第i个船舰的个体历史最优位置，t为当前迭代次数，tmax为最大迭代次数，ρ为排名增强因子，sum代表所对括号内的所有值进行求和； ②对于尾部船舰，转变为破空舰并跳跃到空间内随机位置，其表达式为： Xinew=lb+r⊙ub-lb 其中，r~Udim0,1，代表每个维度由0到1随机数组成的dim维向量； ③对于中部船舰，根据中部船舰类型概率因子α转化为破空舰或者搜寻舰，其中转化为破空舰的概率为： α=0.6-0.5min1,t0.75tmax 其中，min代表对括号内的所有值取最小值，则1-α为转化为搜寻舰的概率； 当中部船舰转变类型为搜寻舰时，根据调度舰累积概率分布Pi为其选择一艘调度舰，其表达式为： Xselected=Xb 其中，b=min{i=1,2,…,H|Pi=η3}，min{i=1,2,…,H|Pi=η3}代表对所有符合Pi=η3的i值中取最小值，Xb为被选择的调度舰，η3为0到1的随机数； 4舰队协同阶段：需要三种船舰类别协同探索： ①破空舰按资源初探阶段相同的方式进行更新； ②调度舰会随机选择Ns个维度组成待更新维度集合Q进行位置更新，Ns和Q的表达式为： Ns=max1,ceildim2 Q={j1,...,jNs} 对于每个待更新维度j∈Q，其更新公式为： C=0.1+0.9ttmax Xinewj=Xij+CGj-Xij+η4r11-CXij-Xpj+η51-r11-CXqj-Xij 其中，C为调度舰自适应参数，r1∈{0,1}为二元随机选择因子，p为随机选择的非自身调度舰索引，q为随机选择的任意船舰索引，G为全局最优船舰位置，η4，η5为0到1的随机数； ③搜寻舰的移动方式分为跳跃加速模式，曲线与跳跃混合模式： 当r20.5时，采用跳跃加速模式，更新方式如下： D=[d1,...,ddim]，dj∈{-1，1} Δnorm=||Fi-Xiub-lb||⊙ub-lb Xibase=Fi+η6D⊙Δnorm Xinew=Xibase+1-ttmax12η7Fi-Xibase+ttmax12η8G-Xibase 其中，r2∈0，1为引擎模式参数，D为由-1和1组成的dim维方向向量，Fi为第i艘船舰所在舰队的舰队最优位置，Δnorm为第i艘船舰在每一维中距离舰队最优位置的距离向量，Xibase为该引擎模式中一次跳跃位置，Xinew为搜寻舰i更新后的位置；η6，η7，η8为0到1的随机数； 当r2=0.5时,采用曲线与跳跃混合模式，且当Lttmax时采用曲线模式，表达式如下： Xinew=Xi+η9Fi-Xi+η10G-Xi-0.01η11Xu-Xi 其中，L，η9，η10，η11均为0到1的随机数，u为非第i艘船舰所在舰队调度舰的随机调度舰索引， 当Lttmax时采用跳跃模式，同跳跃式加速模式部分中一次跳跃： D=[d1,...,ddim]，dj∈{-1，1} Δnorm=||Fi-Xiub-lb||⊙ub-lb Xinew=Fi+η12D⊙Δnorm 其中，η12为0到1的随机数。

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四川轻化工大学;宜宾嘉博智能科技有限公司，其通讯地址为：643000 四川省自贡市自流井区汇东学苑街180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”。

以上内容由龙图腾AI智能生成。