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！

龙图腾网获悉华南理工大学;捷司达智能科技(广东)有限公司申请的专利一种基于宽度增量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：CN119533933B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202411415907.4，技术领域涉及：G01M13/04；该发明授权一种基于宽度增量学习的轴承故障诊断方法是由陈忠;孙洋;吴捷军;张宪民设计研发完成，并于2024-10-11向国家知识产权局提交的专利申请。

本一种基于宽度增量学习的轴承故障诊断方法在说明书摘要公布了：本发明公开了一种基于宽度增量学习的轴承故障诊断方法，包括获取宽度学习故障分类模型所需的轴承原始时域数据；对轴承原始时域数据进行预处理后进行划分新，旧数据集，将旧数据集输入宽度学习故障分类模型进行训练；同时，对旧数据集进行SVDD异常检测模型训练；其次，使用SVDD异常检测迷行来测试新数据集是否为异常类型数据；最后，根据异常检测结果来进行样本增量或者类增量的宽度增量学习来达到模型更新的作用。本发明利用SVDD来对新数据进行初步的异常检测；同时根据异常检测结果，对宽度学习进行宽度堆叠来实现模型的样本增量或者类增量的效果，满足模型对新数据的高实时性和高准确率。

本发明授权一种基于宽度增量学习的轴承故障诊断方法在权利要求书中公布了：1.一种基于宽度增量学习的轴承故障诊断方法，其特征在于，包括： 获取宽度学习故障分类模型所需的轴承原始时域数据； 对轴承原始时域数据进行预处理并划分为旧数据集D1和新数据集,所述新数据集包括新数据集D2和新数据集D3； 搭建宽度学习故障分类模型,并采用旧数据集训练，得到初始宽度学习故障分类模型，采用新数据集测试初始宽度学习故障分类模型的故障准确率； 采用旧数据集训练SVDD模型，得到初始SVDD异常检测模型； 采用新数据集进行SVDD异常检测模型测试，判断数据异常率是否达到异常检测阈值，如果低于异常检测阈值，则使用宽度样本增量学习；如果高于异常检测阈值，则使用宽度类增量学习； 采用增量学习后的宽度学习故障分类模型，对轴承的实时数据进行故障诊断，得到故障准确率； 搭建宽度学习故障分类模型并采用旧数据集训练，得到初始宽度学习模型，采用新数据集测试初始宽度学习故障分类模型的故障准确率，具体为： 所述初始宽度学习故障分类模型由特征层、增强层和输出层构成； 将旧数据集中的数据作为宽度学习故障分类模型的输入数据，得到映射特征及增强特征，然后根据映射特征及增强特征计算输出层，结合旧数据集D1中的标签Y1，有： W＝λI+AAT-1ATY1 其中，特征矩阵A＝[Z∣H]，W是连接特征层和增强层到输出层的权重，则模型训练完成； 对D2＝{X2,Y2}和D3＝{X3,Y3}进行相同操作得到特征矩阵A2和A3，并进一步得到预测标签Y′2和Y′3： Y′2＝A2W Y′3＝A3W 将Y′2和Y′3与Y2和Y3比较即可求出新数据集D2和新数据集D3故障准确率； 所述采用旧数据集训练SVDD模型，得到初始SVDD异常检测模型，具体为： 用SVDD模型构建一个能以最小体积容纳所有训练样本的超球面，则超球面用球心c和半径R表示； 其训练过程，具体是对旧数据集进行边界求解，得到R； 还包括对新数据集D2和新数据集D3中的样本xnew进行异常检测： 如果||xnew-a||2≤R2，则接受新数据，否则，新数据就是异常值； 如果异常率低于异常检测阈值，则使用宽度样本增量学习；如果异常率高于异常检测阈值，则使用宽度样本类增量学习，具体为： 所述宽度样本增量学习，是对新数据集D2＝{X2,Y2}数据进行样本增量，则： 式中， UT＝A2A+,ST＝A2-UTA 至此，样本增量模型更新完毕； 所述宽度类增量学习，是对新数据集D3＝{X3,Y3}进行类增量； 式中， U＝A+A3,S＝A3-AU Wt＝A+[Y|Φ]＝[W|Φ] 至此，类增量模型更新完毕。

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南理工大学;捷司达智能科技(广东)有限公司，其通讯地址为：510640 广东省广州市天河区五山路381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。