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！

龙图腾网获悉南京航空航天大学申请的专利一种基于堆栈自编码降维的旋转机械状态监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：CN115293189B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202210260308.4，技术领域涉及：G06F18/213；该发明授权一种基于堆栈自编码降维的旋转机械状态监测方法是由陆建涛;崔荣庆;李舜酩设计研发完成，并于2022-03-16向国家知识产权局提交的专利申请。

本一种基于堆栈自编码降维的旋转机械状态监测方法在说明书摘要公布了：本发明提出了一种基于堆栈自编码降维的旋转机械状态监测方法。首先，采集旋转机械的原始振动信号，并提取信号的多域特征，包括时域、频域和时频域特征。然后，通过方差选择法，对提取的多域高维特征进行初步的筛选，再利用堆栈自编码网络，对筛选后的特征进行非线性降维，并把降维后的特征划分训练集和测试集。接着，将训练集输入模糊神经网络进行训练，训练完成后输入测试集，构造出能够反映旋转机械运行状态的健康度指标和曲线。最后，通过3σ准则，建立故障指示标尺，一旦健康度指标连续三次超过标尺则进行预警，从而实现旋转机械的状态监测。本发明能够及时发现旋转机械的早期故障，保障旋转机械安全运行，降低因故障而导致的损失。

本发明授权一种基于堆栈自编码降维的旋转机械状态监测方法在权利要求书中公布了：1.一种基于堆栈自编码降维的旋转机械状态监测方法，其特征在于，所述监测方法包括以下步骤： 1采集旋转机械原始振动信号，提取旋转机械原始振动信号的信号特征，构造多域高维的特征向量； 2对步骤1中得到的多域高维的特征向量进行初步的筛选，对筛选后的多域高维的特征向量进行非线性降维，并将降维后的多域高维的特征向量划分为训练集和测试集； 3将步骤2中的训练集输入模糊神经网络进行训练，训练完成后，将测试集输入训练好的模糊神经网络，得到旋转机械健康度指标，将旋转机械健康度指标进行归一化得到旋转机械健康度曲线； 4通过3σ准则，计算步骤3中获取的旋转机械健康度曲线的上下阈值，建立基于3σ准则的故障指示标尺； 5当旋转机械健康度指标超过步骤4中建立的故障指示标尺，则视为旋转机械发生了故障，进行维修预警，从而对旋转机械的健康状态进行监测； 步骤1中提取的旋转机械原始振动信号的信号特征包括时域特征，频域特征以及时频域特征； 所述时域特征包括旋转机械原始振动信号的：峰值、峰峰值、均值、平均幅值、方根幅值、标准差、有效值、偏度指标、峭度指标、峰值指标、脉冲指标、裕度指标和波形指标； 所述频域特征包括旋转机械原始振动信号的：平均频率、重心频率、均方频率、均方根频率、频率方差和频率标准差； 所述时频域特征通过对旋转机械原始振动信号进行小波包分解获取，包括小波能量熵和小波奇异谱熵； 提取旋转机械原始振动信号的信号特征的方法为，将旋转机械原始振动信号分为若干段，对每段均提取所述时域特征、所述频域特征以及所述时频域特征，将所有段的相同信号特征组成一个信号特征向量，则多个信号特征向量构造多域高维的特征向量x＝{x1,x2,…xn}，其中x1,x2,…xn表示不同的信号特征向量； 步骤2的具体步骤为：通过方差选择法对所构造的多域高维的特征向量x进行初步的筛选，计算每种信号特征向量即x1,x2,…xn在初期旋转机械正常运行状态下的方差，并将计算的方差由大到小进行排序，筛选掉排序前列的20％-30％的信号特征向量；建立堆栈自编码网络，对初步筛选后的多域高维特征向量x'，经过非线性激活函数进行编码和解码，构造的目标函数为均方根误差，并加上权重衰减项防止过拟合，通过梯度更新对网络进行训练，寻找最优权重以最小化重构误差，使得堆栈自编码网络的隐藏层输出能够最大程度上保留初步筛选后的多域高维特征向量x'的信息，并设置隐藏层的节点数小于输入节点数，从而有效降维。

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”。