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！

龙图腾网获悉华中科技大学申请的专利一种旋转机械早期故障的识别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：CN115238736B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202210745662.6，技术领域涉及：G06F18/2411；该发明授权一种旋转机械早期故障的识别方法是由邱浩波;张宪国;许丹阳;高亮;尚洁;王达鹏设计研发完成，并于2022-06-28向国家知识产权局提交的专利申请。

本一种旋转机械早期故障的识别方法在说明书摘要公布了：本发明属于故障预测与健康管理相关技术领域，其公开了一种旋转机械早期故障的识别方法，包括以下步骤：1采集信号时间序列数据；2对得到的时序信号数据进行处理以将时域信号转换至频域和时频域；3构建贝叶斯深度支持向量数据描述的无监督学习神经网络模型；4基于得到的特征图，采用无监督和贝叶斯反向传播相结合的方法对神经网络模型进行训练；5确定神经网络模型早期故障识别的指示标尺；6计算旋转机械每个时刻的样本与超球中心的距离，进而通过与超球半径的置信上限对比以识别出旋转机械的早期故障点，并进行健康水平信息指示。本发明解决了早期故障点难以识别、检测精度低、结果不可靠的问题。

本发明授权一种旋转机械早期故障的识别方法在权利要求书中公布了：1.一种旋转机械早期故障的识别方法，其特征在于，该识别方法包括以下步骤： 1采集单台或者多台同类旋转机械初期健康阶段的信号时间序列数据或者全生命周期的信号时间序列数据以得到数据样本集； 2对得到的时序信号数据进行处理以将时域信号转换至频域和时频域，从而得到时序信号对应的频域和时频域的特征图，该特征图包括单边幅频特征图和VMD-Hilbert时频谱特征图； 3构建贝叶斯深度支持向量数据描述的无监督学习神经网络模型，将得到的正常样本包裹在一个尽可能小的超球面内，同时利用贝叶斯神经网络结构获取模型和数据的不确定性信息； 4基于得到的特征图，采用无监督和贝叶斯反向传播相结合的方法对神经网络模型进行训练； 5确定神经网络模型早期故障识别的指示标尺，标尺综合表示样本映射到模型输出的高维空间后被超球包裹的不确定性； 6计算旋转机械每个时刻的样本与超球中心的距离，进而通过与超球半径的置信上限对比以识别出旋转机械的早期故障点，并进行健康水平信息指示； 神经网络模型的损失函数为： 式中，表示网络输出与超球中心c距离的平方；s为模型分布层采样次数，k为训练集样本长度；为非负的修正超参数项；为可变分近似概率分布；为真实后验分布；表示Kullback-Leibler散度算子；为期望算子，表示的期望；为正常样本数据；为神经网络可训练的未知参数权重；为给定参数后数据的似然函数。

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华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037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”。

以上内容由龙图腾AI智能生成。