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！

龙图腾网获悉重庆大学申请的专利变频振动特征筛选的GIS设备机械缺陷辨识方法及系统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：CN115901150B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202310035293.6，技术领域涉及：G01M7/02；该发明授权变频振动特征筛选的GIS设备机械缺陷辨识方法及系统是由郝建;钟尧;李旭;李滢;刘清松;邵子琦;丁屹林;廖瑞金;杨丽君设计研发完成，并于2023-01-10向国家知识产权局提交的专利申请。

本变频振动特征筛选的GIS设备机械缺陷辨识方法及系统在说明书摘要公布了：本发明公开了一种变频振动特征筛选的GIS设备机械缺陷辨识方法及系统，涉及电气技术领域，其技术方案要点是：获取变频激励的原始振动数据，将多组原始振动数据划分为训练样本集和测试样本集；对训练样本集和测试样本集进行复合特征提取，构建特征数据集，并对不同激励电流频率的特征数据集进行显著特征筛选，获得各激励电流频率下的显著特征数据集；通过显著训练特征数据集和ABDT算法构建GIS设备机械缺陷辨识模型，通过显著测试特征数据集进行准确度验证，获得准确度验证合格的GIS设备机械缺陷辨识模型，用于实现GIS设备机械缺陷辨识；结合变频特征筛选和GIS设备机械缺陷诊断模型，实现GIS设备的机械缺陷类型辨识。

本发明授权变频振动特征筛选的GIS设备机械缺陷辨识方法及系统在权利要求书中公布了：1.变频振动特征筛选的GIS设备机械缺陷辨识方法，其特征是：包括 S1、获取变频激励的原始振动数据，所述原始振动数据包括：振动信号、缺陷类型、激励电流频率和运行电流，将多组所述原始振动数据划分为：训练样本集和测试样本集； S2、对所述训练样本集和测试样本集进行复合特征提取，构建特征数据集，并对不同激励电流频率的特征数据集进行显著特征筛选，获得各激励电流频率下的显著特征数据集，所述显著特征数据集包括：显著训练特征数据集和显著测试特征数据集；其中，所述步骤S2，包括：S21、对训练样本集和测试样本集中原始振动数据进行复合特征提取，特征包括：总谐波畸变率、总谐波平方和、信号幅值、频域峰值及重心频率值，构建原始振动数据的特征数据集；S22、根据所述激励电流频率对所述原始振动数据的特征数据集进行划分，获得各激励电流频率下的特征数据集；S23、对所述各激励电流频率下的特征数据集进行显著特征筛选，得到各激励电流频率下的显著特征数据集，所述显著特征数据集包括：显著训练特征数据集和显著测试特征数据集； S3、通过所述显著训练特征数据集和ABDT算法构建GIS设备机械缺陷辨识模型，通过所述显著测试特征数据集对所述GIS设备机械缺陷辨识模型进行准确度验证，获得准确度验证合格的GIS设备机械缺陷辨识模型，用于实现GIS设备机械缺陷辨识；其中，所述步骤S3包括：S31、将所述运行电流划分为多个区间，取运行电流在该区间的显著训练特征数据集输入ABDT算法，训练该区间的GIS设备机械缺陷辨识模型；S32、将运行电流在该区间的显著测试特征数据集输入该区间的GIS设备机械缺陷辨识模型，进行准确度验证；S33、取准确度验证合格的GIS设备机械缺陷辨识模型输出，用于实现GIS设备机械缺陷辨识；其中，所述步骤S31，包括：S311、对所述运行电流进行区间划分，提取运行电流置于该区间的显著训练特征数据集组成训练集；S312、将训练集中任意一组显著训练特征数据集输入ABDT算法，计算弱学习器的权值分布，重复此步骤直至该运行电流区间内所有显著训练特征数据集输入完毕；S313、将多个弱学习器进行线性加权，得到该区间的GIS设备机械缺陷辨识模型，重复上述步骤直至得到所有区间的GIS设备机械缺陷辨识模型。

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大学，其通讯地址为：400000 重庆市沙坪坝区正街174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。