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！

龙图腾网恭喜昆明理工大学申请的专利一种滚动轴承故障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：CN112232244B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202011136921.2，技术领域涉及：G06F18/241；该发明授权一种滚动轴承故障诊断方法是由王海瑞;王椿晶设计研发完成，并于2020-10-22向国家知识产权局提交的专利申请。

本一种滚动轴承故障诊断方法在说明书摘要公布了：本发明涉及一种滚动轴承故障诊断方法，属于机械设备故障诊断的技术领域。首先利用变分模态分解对滚动轴承的振动信号进行分解，分解成一系列模态分量,计算各模态分量的样本熵并作为特征向量输入。然后采用布谷鸟搜索算法对极限学习机权值和阈值进行优化，建立CS‑ELM模型。最后将样本熵特征值输入模型中，对轴承不同工况故障类型进行分类识别。本发明能有效克服信号模态混叠，提高故障识别的准确率。

本发明授权一种滚动轴承故障诊断方法在权利要求书中公布了：1.一种滚动轴承故障诊断方法，其特征在于:具体步骤为:1采集滚动轴承在某一种负荷的状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障的振动信号；2将不同工况下的轴承故障振动信号ft分解成k个本征模态uk，同时满足每个模态的估计带宽之和最小且各模态函数之和等于输入的轴承故障振动信号ft；3对步骤2所得轴承故障振动信号ft的k个本征模态，计算各本征模态样本熵，并构建高维特征向量，将该向量作为故障特征向量输入模型中；4通过布谷鸟搜索算法优化ELM确定最优的连接权值和阈值，获得CS-ELM模型；5将特征向量划分为训练集和测试集输入到CS-ELM分类器中进行分类训练，通过分类器的输出结果得到轴承的故障类型和工作状态,实现滚动轴承的故障诊断；所述步骤2采用变分模态分解方法对轴承四种状态下的振动信号数据进行分解，具体包括如下步骤:假设将轴承故障振动信号ft分解成为k个本征模态uk，再从变分模型中寻找最优解来确定各本征模态的中心频率及其带宽，且满足每个模态的估计带宽之和最小以及所有模态之和等于ft，因此构造约束变分模型的数学表达式如下所示: 其中δt为冲激函数，t为时间，wk表示第k个模态分量的中心频率；为求取上述约束变分问题的最优解，引入格朗日乘法算子λ和二次惩罚因子α得到增广函即数，即 表示借助Hilbert变换得到本征模态分量ukt的单边频谱；利用乘法算子交替方向迭代更新寻求变分问题的最优解，从而将轴承故障振动信号ft分解为k个本征模态；步骤3计算各模态分量复杂度特征的样本熵具体包括如下步骤：将时间序列{xn}＝x1，x2，x3......xN表示为m维向量Xm1，Xm2，Xm3...XmN-m+1，求解向量Xmi与Xmj两者对应元素距离最大差值d[Xmi，Xmj]的绝对值：dmXi，Xj＝max0≤k≤m-1|xi+k-xj+k|将d[Xmi，Xmj]＜r的数量记为Bi，r为相似容限阀，与向量总数N-m的比值记为Bmr，维数增加到m+1，得到Bm+1r，因此样本熵定义为： 步骤4布谷鸟搜索算法的具体参数设置：设置鸟巢规模N＝30,最大迭代次数M＝200；具体包括CS算法中有N个种群即鸟巢，每个鸟巢位置代表一个有理数，鸟巢位置取整后作为ELM的隐层节点数M；设置鸟巢规模N＝30，最大迭代次数M＝200；输入样本数据，将产生一组ELM网络的输入权值矩阵w、隐层阈值b和输入权值矩阵β，并计算样本数据预测误差作为当前鸟巢位置的适应度值；每次迭代搜索结束，储存最优鸟巢位置w、b、β；待满足迭代终止条件时，比较鸟巢所对应的适应度值，输出最优鸟巢位置，及其所对应的w、b、β；进行轴承的故障诊断的步骤如下：现将加速度传感器安装在滚动轴承的驱动端上；其中轴承损伤直径均为0.1778mm,设置转速为1797rmin,采样频率为12kHz,分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号；对每种轴承状态信号取200组数据，从每种状态样本数据中随机抽取的170组数据，即作为训练样本，将剩下的正常、内圈故障、外圈故障、滚动体故障四种状态轴承振动信号各组数据作为测试样本；根据避免模态混叠和保留信号的全部特征信息原则确定分解个数，对组信号进行分解，得各轴承状态的模态分量；其中对滚动体故障信号分解个数为4；将分解得到的模态分量计算样本熵值，部分特征向量如下：正常：IMF1：0.270606、0.275523，IMF2：0.538289、0.547741，IMF3：0.266344、0.261999，IMF4：0.756758、0.741383；内圈：IMF1：0.583038、0.592259，IMF2：0.507441、0.510691，IMF3：0.245161、0.239027，IMF4：0.27667、0.287463；滚动体：IMF1：0.478097、0.490156，IMF2：0.502078、0.512955，IMF3：0.259033、0.240769，IMF4：0.162716、0.177347；外圈：IMF1：0.427306、0.398368，IMF2：0.609396、0.595303，IMF3：0.267466、0.228638，IMF4：0.155322、0.157244；设置鸟巢规模N＝30，最大迭代次数M＝200，通过CS算法对ELM网络的权值和阈值进行参数优化，形成最佳参数组合，形成CS-ELM模型进行故障识别；为了证明CS-ELM模型的优越性，设置对比实验为在两种模型的训练数据和测试数据都相同的情况下进行故障类型的识别，通过实验结果来证实CS-ELM诊断模型的精度更高；两种故障诊断模型的诊断正确率：ELM模型：训练样本准确率：91.61％，测试样本准确率：92.5％；CS-ELM模型：训练样本准确率：99.26％，测试样本准确率：99.15％；采用CS-ELM模型进行故障诊断时，诊断正确率高，更好地对轴承的各类故障进行识别分类。

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昆明理工大学，其通讯地址为：650093 云南省昆明市五华区学府路253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”。