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！

龙图腾网恭喜重庆邮电大学申请的专利一种基于特征粒度对齐的变工况下齿轮箱故障诊断方法和装置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：CN114739659B 。

龙图腾网通过国家知识产权局官网在2025-04-18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：202210456304.3，技术领域涉及：G01M13/02；该发明授权一种基于特征粒度对齐的变工况下齿轮箱故障诊断方法和装置是由韩延;牛少博;黄庆卿;王子龙;张焱;胡欣堪设计研发完成，并于2022-04-28向国家知识产权局提交的专利申请。

本一种基于特征粒度对齐的变工况下齿轮箱故障诊断方法和装置在说明书摘要公布了：本发明涉及齿轮箱状态监测技术，具体为基于特征粒度对齐的变工况下齿轮箱故障诊断方法及装置。所述方法包括采集不同工况下的轴承振动数据并预处理；利用特征提取器分别提取源域数据和目标域数据特征，并计算得到两种领域之间的CMMD和FMMD，以及CFMMD；利用分类器生成源域数据的预测标签；计算出其原始标签与预测标签之间的预测损失，根据CFMMD计算出距离损失；以最小化损失和为目标函数，训练深度卷积神经网络模型；利用训练后的特征提取器提取出目标域数据特征，利用训练后的分类器对目标域数据特征进行处理，预测得到目标域数据的故障类型。本发明提高了旋转机械变工况的故障诊断效率和准确率。

本发明授权一种基于特征粒度对齐的变工况下齿轮箱故障诊断方法和装置在权利要求书中公布了：1.一种基于特征粒度对齐的变工况下齿轮箱故障诊断方法，其特征在于，包括以下步骤：采集不同工况下的轴承振动数据，包括当前工况下的源域数据和其他工况下的目标域数据；对不同工况下的轴承振动数据进行预处理，为所述源域数据设置原始标签，所述原始标签对应齿轮箱的故障类型；将预处理后的轴承振动数据输入到预先构建的深度卷积神经网络模型，所述深度卷积神经网络模型包括特征提取器和分类器；利用特征提取器分别提取出源域数据和目标域数据的第一高层次特征，并根据二者的第一高层次特征计算得到两种领域之间的特征整体的分布距离和特征粒度的分布距离，以及对应的加权分布距离；特征整体的分布距离的计算公式表示为： 其中，Φ·为重构核希尔伯特空间中的一个非线性映射函数；M表示源域数据样本数，xis表示源域数据的第i个样本，N表示目标域数据样本数，xtj表示目标域数据的第j个样本；H表示希尔伯特空间，k·,·为高斯核函数；特征粒度的分布距离的计算公式表示为： 其中，R为总的特征数量即特征提取器的最后一层神经元的数量；为源域中n个样本的第r个特征的集合，为目标域中n个样本的第r个特征的集合，n为一次训练所选取的源域和目标域的样本数；表示源域数据的第n个样本的第r个特征；表示目标域数据的第n个样本的第r个特征；两种领域之间的加权分布距离的计算公式表示为：CFMMDXs,Xt＝μ·CMMDXs,Xt+1-μ·FMMDXs,Xtμ∈0，1其中，CMMDXs,Xt为源域数据Xs和目标域数据Xt之间的特征整体的分布距离；FMMDXs,Xt为源域数据Xs和目标域数据Xt之间的特征粒度的分布距离；μ为特征整体的分布距离和特征粒度的分布距离之间的权重；利用分类器对源域数据的第一高层次特征处理，生成源域数据的预测标签；计算出源域数据的原始标签与预测标签之间的预测损失，并根据两种领域之间的加权分布距离计算出距离损失；通过两种领域之间的加权分布距离作为距离损失也即域损失；以最小化损失和为目标函数，利用随机梯度下降法对目标函数进行优化，训练所述深度卷积神经网络模型；利用训练完成后的特征提取器提取出目标域数据的第二高层次特征，利用训练完成后的分类器对目标域数据的第二高层次特征进行处理，预测得到目标域数据的故障类型。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2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”。