Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 积分商城 国际服务 IP管家助手 科技果 科技人才 商标交易 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 大连理工大学李宏坤获国家专利权

大连理工大学李宏坤获国家专利权

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!

龙图腾网获悉大连理工大学申请的专利一种基于加窗差分健康指标的滚动轴承早期异常检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:CN116383750B

龙图腾网通过国家知识产权局官网在2026-03-06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:202310379055.7,技术领域涉及:G06F18/2433;该发明授权一种基于加窗差分健康指标的滚动轴承早期异常检测方法是由李宏坤;李强;刘学军;陈玉刚设计研发完成,并于2023-04-11向国家知识产权局提交的专利申请。

一种基于加窗差分健康指标的滚动轴承早期异常检测方法在说明书摘要公布了:本发明属于早期异常检测技术领域,公开了一种基于加窗差分健康指标的滚动轴承早期异常检测方法。其包括如下几个步骤:提取滚动轴承振动信号时域、时‑频域特征参数;基于特征参数构建马氏参考空间;计算滚动轴承样本空间马氏距离;基于累积和方法处理马氏距离以得到更具单调性与稳定性的健康指标;基于加窗差分健康指标方法,对健康指标进行加窗差分运算,结合给定的阈值,最终实现滚动轴承的早期异常检测。本发明能够有效滤除健康指标中因随机噪声干扰产生的异常信息,实现滚动轴承早期异常点的合理有效识别,有助于减少由误报警造成的设备多次停机。

本发明授权一种基于加窗差分健康指标的滚动轴承早期异常检测方法在权利要求书中公布了:1.一种基于加窗差分健康指标的滚动轴承早期异常检测方法,其特征在于,包括以下步骤: 步骤1:提取滚动轴承振动信号的时域特征、时-频域特征; 选取滚动轴承振动信号中的时域特征参数,包括峭度、波峰因子、裕度因子、形状系数、脉冲系数、峰值、均方根值;通过VMD算法提取滚动轴承振动信号的若干IMF分量,采用SVD算法计算每个IMF分量的奇异值,作为滚动轴承振动信号的时-频域特征参数; 步骤2:计算滚动轴承运行初期正常样本的马氏距离; 基于步骤1得到的时域特征参数和时-频域特征参数,计算滚动轴承运行初期正常样本的均值和正常样本的标准差: 其中,是均值,si为标准差,Xij为第j个滚动轴承振动信号正常样本的第i个特征参数,n为滚动轴承振动信号正常样本的数量; 计算参数: 其中,Zij是标准化矩阵,cij是相关矩阵C中的元素;m代表滚动轴承振动信号正常样本序号,Zim是Z中第m列的i个值,Zjm是Z中第m列的第j个值,矩阵Z中的元素由公式3计算得到; 计算滚动轴承正常样本的马氏距离: 其中,是滚动轴承正常状态下第j个滚动轴承振动信号正常样本的马氏距离,k是滚动轴承振动信号时域特征参数与时-频域特征参数的数量,C-1是相关矩阵C的逆,Zj是矩阵Z中第j个滚动轴承振动信号正常样本对应的所有元素; 步骤3:将步骤2中n个滚动轴承振动信号正常样本之后采集得到的样本定义为退化样本,计算退化样本空间的马氏距离; 其中,j+为滚动轴承振动信号退化样本对应的序号,表示滚动轴承退化样本空间的马氏距离,代表退化样本空间的标准化矩阵,为中第j+列的所有元素,l为滚动轴承退化样本的数量; 步骤4:计算表征性能退化过程的马氏距离; MD=[MDnormalF;MDsampleF]8其中,MDnormal由公式5计算得到,MDsample由公式7计算得到,表征性能退化过程的马氏距离,MD表示滚动轴承在性能退化监测过程中对应的马氏距离,MD由MDnormal与MDsample拼接得到;F为特征参数矩阵,且满足F=[fp;frms;fkur;fcrest;fclc;fshape;fimp;fsv],F中包含的元素分别为峰值、均方根值、峭度、波峰因子、裕度因子、形状系数、脉冲系数、奇异值; 步骤5:构建性能退化健康指标; 通过累积和算法优化表征性能退化过程的马氏距离MD并计算得到健康指标HI,用于克服表征性能退化过程的马氏距离在反映轴承性能退化状态中存在的噪声干扰与单调性差的问题: HI=max0,MDτ-μ0+ρ+CMτ-19 其中,CMτ=max0,MDτ-μ0+ρ+CMτ-1,CM0=0,μ0为目标值,通过滚动轴承正常样本的马氏距离均值得到;ρ为误差值,其为滚动轴承正常样本马氏距离标准差的一半;MDτ为公式8中表征性能退化过程的马氏距离的第τ个值; 步骤6:基于加窗差分健康指标的早期异常检测; 求解健康指标HI对应的一阶差分dHI: 其中,HIt为HI在时间t的值; 对dHI进行加窗处理: Dt=mindHIt-L+1:t11 其中,L为窗口长度,t为窗口末端位置,Dt为加窗后第t个值对应的结果; 识别早期异常时间: Te=inf{t|Dt>eT},12 其中,inf{·}代表下确界,eT为设置的早期异常阈值,Te代表识别的早期异常时间。

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大连理工大学,其通讯地址为:116024 辽宁省大连市甘井子区凌工路2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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。