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！

龙图腾网恭喜苏州科技大学申请的专利一种基于数据驱动的滚动轴承剩余寿命预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：CN114547795B 。

龙图腾网通过国家知识产权局官网在2024-09-17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：202210158457.X，技术领域涉及：G06F30/17；该发明授权一种基于数据驱动的滚动轴承剩余寿命预测方法是由蒋全胜;许伟洋;沈晔湖;朱其新;朱俊俊设计研发完成，并于2022-02-21向国家知识产权局提交的专利申请。

本一种基于数据驱动的滚动轴承剩余寿命预测方法在说明书摘要公布了：本发明涉及一种基于数据驱动的滚动轴承剩余寿命预测方法，包括如下步骤：获取轴承振动信号，作为数据集；建立网络学习模型，网络学习模型依次包括小波包分解层、动态加权层、卷积神经网络层、长短时记忆网络层以及输出层；将数据集中的样本分为训练集和测试集，将训练集作为输入训练网络学习模型，得到预测模型；基于预测模型，预测滚动轴承的剩余使用寿命。本发明首先利用小波包分解和动态加权法，实现对轴承退化的表征信息进行有效筛选；再利用CNN强大的特征提取能力提取滚动轴承低维退化特征，并利用LSTM进一步提取其高维退化特征；最后建立轴承退化特征信息与剩余使用寿命之间的映射关联来实现回归预测，训练效率高、预测精度高。

本发明授权一种基于数据驱动的滚动轴承剩余寿命预测方法在权利要求书中公布了：1.一种基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，包括如下步骤：获取轴承振动信号，作为数据集；建立网络学习模型，所述网络学习模型依次包括小波包分解层、动态加权层、卷积神经网络层、长短时记忆网络层以及输出层；将所述数据集中的样本分为训练集和测试集，将所述训练集作为输入训练所述网络学习模型，得到预测模型；基于所述预测模型，预测滚动轴承的剩余使用寿命；所述小波包分解层用于：对长度为N的轴承振动信号进行三层小波包分解，将分解得到的每个子频带的系数分别作为一列，构建一个的小波包系数矩阵；所述动态加权层用于：构建逐列加权层为所述小波包系数矩阵中的不同小波包系数赋予可训练的权重；选取相关性、鲁棒性和峭度作为所述小波包系数矩阵的权重加权评判依据；根据相关性指标、鲁棒性指标和峭度指标计算所述权重的表达式： 其中，Wj表示小波包加权系数矩阵中第j列的初始权重，其中初始权重中α,β,γ均为随机值，且j＝1,2,…,8，CorrG,Gt-x为相关性指标、RobG为鲁棒性指标、KG为峭度指标，和分别表示8个子频带小波包系数中相关性值的总和、鲁棒性值的总和以及峭度值的总和；所述卷积神经网络层包括卷积层和池化层，所述卷积层用于对所述动态加权层的输出进行卷积操作，卷积过程的数学表达式如下： 其中，xi为当前层的输入特征；xi+1表示卷积计算后得到的特征；表示卷积运算符；Wi表示卷积核权重；bi为偏置；所述池化层用于对卷积层的输出特征进行池化操作，其表达式如下：max-poolingg[i-1],g[i],g[i+1]＝maxg[i-1],g[i],g[i+1]其中，max-pooling为最大池化；g[i]为第i个张量；g[i-1]为第i-1个张量；g[i+1]为第i+1个张量；max·表示取最大值；所述长短时记忆网络层包括两个长短时记忆网络单元，每个长短时记忆网络单元包括遗忘门kt、输入门it和输出门ot，各门的更新公式如下： ht＝ot⊙tanhct其中，ct-1为上一步的单元状态，ht-1为先前隐藏状态的输出值，xt为当前长短时记忆网络单元的输入，ct为更新后的单元状态，ht为当前隐藏状态的输出值，是通过非线性函数得到候选状态，W和b为网络参数。

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苏州科技大学，其通讯地址为：215009 江苏省苏州市科锐路1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”。