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！

龙图腾网恭喜南京航空航天大学申请的专利基于振动信号的变工况下轴承保持架打滑率在线测量及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：CN115130499B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202210649322.3，技术领域涉及：G06F18/24；该发明授权基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法是由马磊明;姜斌;肖玲斐;郭勤涛;陆宁云;耿慧琳设计研发完成，并于2022-06-09向国家知识产权局提交的专利申请。

本基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法在说明书摘要公布了：本发明公开了一种基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法，包括离线训练阶段和在线评估阶段；在离线训练阶段，采集轴承振动信号和轴承保持架打滑率作为离线训练数据集，并利用自适应VMD对获取的离线训练数据集进行降噪处理，剔除样本异常值；接着基于RF‑LSTM对获取的处理后的数据集进行打滑特征指标构建，将特征集分为训练集和测试集两部分；最后构建基于卷积神经网络‑改进DBSCAN算法的打滑率无监督诊断模型，分别利用训练集和测试集对诊断模型进行训练和精度验证；在线评估阶段，采集实时振动信号并利用诊断模型测量打滑率；通过设计基于高效算子的LSTM‑GRU打滑率在线预测模型对轴承打滑趋势进行预测；并且设置打滑率预警值，用于轴承打滑预警。

本发明授权基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法在权利要求书中公布了：1.一种基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法，其特征在于，包括离线训练阶段和在线评估阶段；具体步骤如下：步骤S1、离线训练阶段，同时采集轴承振动信号和轴承保持架打滑率作为离线训练数据集；步骤S2、利用自适应变分模态分解VMD对步骤S1获取的离线训练数据集进行降噪处理，并剔除样本异常值；步骤S3、基于随机森林RF-长短期记忆网络LSTM对步骤S2获取的处理后的数据集进行打滑特征指标构建，将特征集分为训练集和测试集两部分；步骤S4、构建基于卷积神经网络-改进基于密度的含噪应用空间聚类DBSCAN算法的打滑率无监督诊断模型，利用步骤S3中的训练集对诊断模型进行训练，并利用测试集对诊断模型精度进行验证；步骤S5、在线评估阶段，通过实时采集轴承振动信号并利用步骤S4中获取的无监督诊断模型实现对轴承打滑率的测量；步骤S6、设计基于高效算子的LSTM-门控循环单元GRU打滑率在线预测模型；基于步骤S5输出的轴承保持架打滑率对轴承打滑趋势进行预测；步骤S7、设置打滑率预警值，当步骤S6中获取的轴承打滑率预测值高于打滑率预警值时，系统报警；所述步骤S2中降噪处理及剔除样本异常值具体步骤如下：步骤S2.1、利用VMD对步骤S1中采集的轴承原始时域振动数据进行分解，获得分量IMF1,IMF2,IMFn；步骤S2.2、基于步骤S2.1获取的分量分别计算高低频分量和趋势项与原始时序振动数据的相关系数、高低频分量和趋势项与原始时序振动数据的方差比以及排列熵；步骤S2.3、利用加权Softmax损失函数将步骤S2.2获取的相关系数、方差比和排列熵指标加权，平衡各指标对降噪算法的贡献，获得综合降噪指标；步骤S2.4、基于步骤S2.3获取的综合降噪指标对步骤S2.1所得分量进行排序，去除噪声高于预设阈值的分量后进行重构，输出轴承降噪后时序振动数据；步骤S2.5、提取步骤S2.4获取的轴承降噪后时序振动数据的均值特征，并根据均值特征筛选出异常值的样本点，选择一段没有异常值的样本点，求取标准差σ和均值μ，使用μ-3σ，μ+3σ分布进行异常值监测和剔除；所述步骤S3中构建打滑特征指标的具体步骤包括：步骤S3.1、多域特征提取；基于步骤S2中降噪处理后的离线训练数据集，分别获取时域特征、频域特征以及时频域特征构建候选特征集，使用提取的时域特征和频域特征构建相对相似性特征；时域相对相似性特征通过计算不同时刻的时间序列相似性得到；给定时刻t的数据序列为ft，初始时刻的数据序列为f0，相似性特征表示如下： 其中，k为数据长度；和分别为数据序列和的均值；分别通过式3计算监测振动信号与参考振动信号的时域特征序列、频域特征序列相似性和时频域特征序列相似性，得到时域相对相似性特征、频域相对相似性特征和时频域相对相似性特征；步骤S3.2、特征评价与选择针对轴承变工况振动信号特征选择，设计相关性评价准则和重要性评价准则，实现敏感特征的自动优选：相关性评价准则构建如下： 其中，Fh和lh依次表示第h个样本的特征值和对应时刻；和分别是样本特征值序列和时间序列均值；H是样本个数；相关性评价指标的取值为特征与时间的相关性越好，取值越接近1，否则越接近0；重要性评价准则构建如下：将轴承振动信号样本数据输入到RF模型中进行交叉验证训练，记录每次得到的均方误差；当均方误差趋于稳定时，计算每个特征参数的重要性值如下： 其中，α是决策树的个数；errB'a是变量在观测值中排列改变时，第a棵树的样本误差；errBa是第a棵树的样本误差；是平均样本误差；VI值越大，变量越重要；进行特征优选时，综合考虑相关性和重要性，设计如下综合评价准则：Cri＝ω1Corr+ω2VI6其中，Cri为综合评价指标；ω1和ω2分别为相关性和重要性评价准则的权重系数；步骤S3.3、健康指标构建根据式6对步骤S3.1提取的候选特征集进行逐一评价，筛选对机械装备退化敏感的特征；将敏感特征构成特征向量输入LSTM，融合出虚拟打滑指标LSTM-HI；所述步骤S4中构建基于卷积神经网络-改进DBSCAN算法的打滑率无监督诊断模型的方法如下：利用改进的DBSCAN算法将获取的轴承振动信号、保持架打滑率和虚拟打滑指标LSTM-HI聚为两类；第一类为轴承打滑率小于2％的数据，定义为轴承不打滑；第二类为轴承打滑率在3％及以上的数据，定义为轴承明显打滑；然后根据聚类结果分别训练卷积神经网络模型并输出对应类别的打滑率检测模型；最后，将在线实时采集到的轴承振动信号输入基于卷积神经网络-改进DBSCAN算法的打滑率无监督诊断模型中进行打滑率在线检测；所述改进的DBSCAN算法具体如下：步骤S4.1、计算数据点局部密度对于步骤S2中获取的离线轴承振动数据和保持架打滑率数据构成的数据集计算数据点的局部密度如下： 其中，dc表示截断距离；η为数据集个数；为数据集对应的指标集；dij为数据点γi和γj之间的距离；ρi为S中与γi之间的距离小于dc的数据点个数；设计表示的一个降序排列下标序，满足计算距离如下： 其中，dqiqj表示数据点与数据点之间的距离；当具有最大局部密度时，δqi表示数据集中与距离最大的数据点与之间的距离；当所有局部密度大于时，δqi表示数据集中与距离最小的数据点与之间的距离；步骤S4.2、确定聚类中心选择局部密度和距离同时高于其余点的点作为聚类中心，将剩余点归属到相应具有更高密度的最近邻所属类簇中；为每个类簇定义一个边界区域，即分配到该类簇但于其它类簇的点的距离小于dc的点的集合，然后为每个类簇找到其边界区域中密度最高的点，并以该点的密度作为阀值来筛选类簇，只保留类别中大于或等于此密度值的点；步骤S4.3、聚类结果评价分别利用传统的邓恩指数DVI，戴维森堡丁指数DBI、互信息MI、纯度Purity以及F值FMeasure聚类评价指标并结合Renyi熵构建指标集，对聚类结果进行评价。

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南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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”。