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！

龙图腾网恭喜重庆理工大学申请的专利一种基于小波时频图与深度学习的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：CN114964778B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202210523318.2，技术领域涉及：G01M13/045；该发明授权一种基于小波时频图与深度学习的轴承故障诊断方法是由程瑶;贾宁;刘云阳;高晨斐;田又源设计研发完成，并于2022-05-13向国家知识产权局提交的专利申请。

本一种基于小波时频图与深度学习的轴承故障诊断方法在说明书摘要公布了：本发明涉及一种基于小波时频图与深度学习的轴承故障诊断方法，方法包括：获取滚动轴承多个正常振动信号、多个外圈故障振动信号、多个内圈故障振动信号，以及多个滚动体故障振动信号；将每个正常振动信号、外圈故障振动信号、内圈故障振动信号以及滚动体故障振动信号依次进行VMD预处理和CWT处理后，得到包含有正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵的数据集；使用SSA对SDAE的学习率和批量大小两个参数进行全局组合优化，得到优化SDAE；将数据集输入至优化SDAE中进行训练；将采集到的待检测滚动轴承信号经过输入训练后的SDAE中获得故障评估与诊断结果。

本发明授权一种基于小波时频图与深度学习的轴承故障诊断方法在权利要求书中公布了：1.一种基于小波时频图与深度学习的轴承故障诊断方法，其特征在于，所述方法包括：获取滚动轴承在正常振动状态下的多个正常振动信号，在外圈故障振动状态下的多个外圈故障振动信号，在内圈故障振动状态下的多个内圈故障振动信号，以及在滚动体故障振动状态下的多个滚动体故障振动信号；将每个正常振动信号、外圈故障振动信号、内圈故障振动信号以及滚动体故障振动信号依次进行VMD预处理和CWT处理后，得到包含有正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵的数据集；使用SSA对SDAE的学习率和批量大小两个参数进行全局组合优化，得到优化SDAE；将所述数据集输入至所述优化SDAE中进行训练；将采集到的待检测滚动轴承信号经过输入训练后的SDAE中获得故障评估与诊断结果；所述将每个正常振动信号、外圈故障振动信号、内圈故障振动信号以及滚动体故障振动信号依次进行VMD预处理和CWT处理后，得到包含有正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵的数据集，包括：将每个正常振动信号依次进行VMD预处理和CWT处理后，得到与所述正常振动信号对应的二维尺度特征矩阵，根据多个正常振动信号对应的二维尺度特征矩阵得到正常矩阵；将每个外圈故障振动信号依次进行VMD预处理和CWT处理后，得到与所述外圈故障振动信号对应的二维尺度特征矩阵，根据多个外圈故障振动信号对应的二维尺度特征矩阵得到外圈故障矩阵；将每个内圈故障振动信号依次进行VMD预处理和CWT处理后，得到与所述内圈故障振动信号对应的二维尺度特征矩阵，根据多个内圈故障振动信号对应的二维尺度特征矩阵得到内圈故障矩阵；将每个滚动体故障振动信号依次进行VMD预处理和CWT处理后，得到与所述滚动体故障振动信号对应的二维尺度特征矩阵，根据多个滚动体故障振动信号对应的二维尺度特征矩阵得到滚动体故障矩阵；将正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵保存至数据集中；所述将每个正常振动信号依次进行VMD预处理和CWT处理后，得到与所述正常振动信号对应的二维尺度特征矩阵，根据多个正常振动信号对应的二维尺度特征矩阵得到正常矩阵，包括：将每个正常信号进行VMD预处理获得多个不同频率的BIMF，计算每个BIMF的相关峭度值，获得最大相关峭度值对应的BIMF作为关键BIMF；采用下述公式计算每个BIMF的相关峭度值： ；其中，yn为信号，T为感兴趣的周期，N为信号的采样点数，M为移位的周期个数；将所述关键BIMF经过CWT处理得到与所述正常振动信号对应的二维尺度特征矩阵；根据多个正常振动信号对应的二维尺度特征矩阵得到正常矩阵；所述使用SSA对SDAE的学习率和批量大小两个参数进行全局组合优化，得到优化SDAE，包括：1根据学习率和批量大小的取值范围设置麻雀群体搜索范围；2初始化麻雀搜索算法相关参数，包括麻雀种群数量、生产者数目和安全阈值；3初始化麻雀位置并计算适应度，将网络微调阶段的交叉熵作为麻雀的适应度；4使用麻雀搜索算法进行迭代寻优：在一次迭代过程中，比较适应度大小，纪录麻雀群体中的最优位置和最差位置，其中，适应度最小的麻雀的位置是当前全局最优位置Xbest，适应度最大的麻雀的位置是全局最差位置Xworst；5判断当前迭代次数是否超过迭代上限：如果是，则结束迭代并输出全局最优结果Xbest[α*,β*]及其迭代误差曲线；如果没有，执行步骤（6）；6初始化超出搜索范围的麻雀，处于群体边缘的麻雀向中间靠拢，处于群体中心的麻雀随机移动；7将麻雀的位置所对应的参数组合X[α，β]带入SDAE网络，获得实际值和预测值的交叉熵，即麻雀的适应度；迭代次数加1，并跳转至步骤4。

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理工大学，其通讯地址为：400000 重庆市巴南区花溪街道红光大道69号重庆理工大学；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”。