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！

龙图腾网获悉江苏大学申请的专利一种基于自适应特征选择的监督式稀疏表示轴承故障分类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：CN115204229B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202210829865.3，技术领域涉及：G06F18/241；该发明授权一种基于自适应特征选择的监督式稀疏表示轴承故障分类方法是由樊薇;徐英淇;娄伦洪;陈超;陈振强;周潼;宋向金设计研发完成，并于2022-07-15向国家知识产权局提交的专利申请。

本一种基于自适应特征选择的监督式稀疏表示轴承故障分类方法在说明书摘要公布了：本发明公开了一种基于自适应特征选择的监督式稀疏表示轴承故障分类方法，先采集轴承振动信号，将常见的时频域指标用于初始信号特征提取，获得训练集和测试集，然后基于自适应特征选择目标函数筛选出有效指标，再将筛选出的指标用于初始信号特征提取，获得新的训练集和测试集，再通过LC‑KSVD初始化和字典学习，从而实现滚动轴承故障分类。

本发明授权一种基于自适应特征选择的监督式稀疏表示轴承故障分类方法在权利要求书中公布了：1.一种基于自适应特征选择的监督式稀疏表示轴承故障分类方法，其特征在于，包括以下步骤： 步骤S1、获取初始信号训练集和测试集； 步骤S2、对特征矩阵组成的训练集建立自适应目标函数；相同的字典，特征不同会对应不同的稀疏表示系数，利用不同的稀疏表示系数可以实现故障的分类，所以通过最大化类间距离，最小化类内距离可以有效实现指标的筛选； 步骤S3、特征筛选； 对目标函数求得各指标得分由小到大排序，选取第一阶段的几个最小值对应的特征值作为筛选后的特征数据； 步骤S4、重新划分训练集和测试集； 选取自适应特征筛选后的特征featurenew提取轴承振动信号，生成新的训练集Y和测试集Ytrain； 步骤S5、LC-KSVD的初始化： 对初始字典D，分类稀疏编码Q，线性变换矩阵A，分类参数W初始化，使用KSVD算法进行20次迭代对训练数据集进行学习得到初始字典D0，使用多元岭回归模型初始化线性变换矩阵A0和分类参数W0： A0＝QXTXXT+λ2I-1 W0＝HXTXXT+λ1I-1 其中，argminA表示使目标函数A取最小值时的变量值，X为稀疏系数矩阵，I为单位矩阵，Q为对输入信号分类的分类稀疏编码，λ1，λ2分别为多元岭回归系数，H表示标签； 步骤S6、LC-KSVD字典学习； 其中Y表示初始信号，D为初始字典，X为稀疏系数矩阵，W为分类参数，xi表示稀疏系数矩阵X中的元素，表示约束条件，任意i，xi的绝对值小于等于T，T表示稀疏度的上限，也是稀疏表示系数中非零项的上限值，α和β表示权重系数，他们的大小影响了其中每一项对于整个最优化函数的影响程度； 步骤S7、将S6式合并化简，组合得到新的字典Dnew，通过KSVD算法更新D，A和W； 令 其中Ynew表示组合成的新的信号，Dnew表示组合成的新的字典，α和β表示权重系数，表示使目标函数Dnew和X取最小值时的变量值，s.t.表示约束条件； 步骤S8、由于D,A,W在LC-KSVD中在Dnew被l2范数化，计算得到可使用的D,A,W的期望确定参数 步骤S9、用学习到的线性分类器W估计标签向量表示稀疏系数矩阵X的期望对应的元素，yi的标签对应标签向量l中最大值的索引，因此判断输入信号的类别，实现分类； 步骤S1的具体过程为： 将n个时域、频域、能量熵指标用于初始信号特征提取，假设轴承外圈故障、内圈故障、滚动体故障振动信号长度都分别为x，信号总长度为3x，提取出的初始信号特征矩阵构成初始信号训练集F＝{fij|i∈[1,m],j∈[1,n]}，i为训练集的行，每行以个点求取一个特征值，j表示训练集的列，m表示指标数量，同样的方法获取原始信号测试集； 所述步骤S4特征筛选的详细步骤为： 通过最大化类间距离，最小化类内距离，计算目标函数： 其中：a为其中一个指标对信号提取后的特征数据，a1，a2，a3分别指对轴承内圈故障信号、轴承外圈故障信号、轴承滚动体故障信号提取的特征数据，Md表示中位数，QU表示上四分位数，QL表示下四分位数，MAX表示极大值，MIN表示极小值； 最小化目标函数，将各指标经过目标函数求得的得分从小到大排序，选取第一个变化点之前的若干点，这些最小得分对应的指标即自适应特征选择筛选出的指标。

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江苏大学，其通讯地址为：212013 江苏省镇江市京口区学府路301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”。