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！

龙图腾网获悉大连海事大学申请的专利基于随机共振和卷积神经网络的滚动轴承故障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：CN119104310B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202411250302.4，技术领域涉及：G01M13/045；该发明授权基于随机共振和卷积神经网络的滚动轴承故障识别方法是由李国宾;冯朝阳;李从跃;邢鹏飞;张洪朋设计研发完成，并于2024-09-06向国家知识产权局提交的专利申请。

本基于随机共振和卷积神经网络的滚动轴承故障识别方法在说明书摘要公布了：本发明公开了基于随机共振和卷积神经网络的滚动轴承故障识别方法，包括在滚动轴承的内、外圈及滚动体上设置人工故障点，采集滚动轴承在不同转速下的轴承振动信号，构建基于改进信噪比的自适应变尺度随机共振检测系统，分别对频谱图进行横轴统一尺度处理，将处理后的频谱图组成原始图像集，基于人工故障点对原始图像集中的频谱图进行标记并分类，将标记并分类后的原始图像集分为训练集和测试集，搭建卷积神经网络模型并进行训练和测试，根据测试结果确定卷积神经网络模型的参数并表示为识别模型，基于识别模型对获取待识别的轴承振动信号进行故障识别并获取故障种类。本发明解决了强噪声、转速变动工况下滚动轴承微弱故障识别问题。

本发明授权基于随机共振和卷积神经网络的滚动轴承故障识别方法在权利要求书中公布了：1.基于随机共振和卷积神经网络的滚动轴承故障识别方法，其特征在于，包括 S1、在滚动轴承的内、外圈及滚动体上设置人工故障点，基于滚动轴承上方的加速度传感器采集滚动轴承在不同转速下的轴承振动信号， S2、构建基于改进信噪比的自适应变尺度随机共振检测系统，所述自适应变尺度随机共振检测系统用于对采集的轴承振动信号进行检测，以获取与人工故障点对应的频谱图，其中，所述S2具体包括， S21、搭建粒子群优化模型，包括设定粒子数量为M、最大迭代次数为N、粒子与最大搜索速度的搜索范围、目标函数及所述目标函数的检测范围和检测位置，并对粒子群优化模型进行初始化， S22、获取轴承振动信号，设定基于振幅、频率或噪声的分类条件，基于分类条件对轴承振动信号进行分类，确定变尺度随机共振求解方法，根据变尺度随机共振求解方法对轴承振动信号中分类后的轴承振动信号进行分解，所述变尺度随机共振求解方法为龙格库塔法； S23、选择随机共振系统，将初始化后的粒子群优化模型中的M个粒子与变尺度分解后的轴承振动信号输入随机共振系统并获取系统参数，通过进行N次迭代后获取最优系统参数， S24、基于最优系统参数的随机共振系统，将轴承振动信号输入最优系统参数的随机共振系统后，获得与人工故障点对应的频谱图； S3、分别对频谱图进行横轴统一尺度处理，将处理后的频谱图组成原始图像集，基于人工故障点对原始图像集中的频谱图进行标记并分类，将标记并分类后的原始图像集分为训练集和测试集，所述对频谱图进行横轴统一尺度处理包括令频谱图的横轴的坐标轴的总长度为转速的固定倍数，即横轴范围为0-nr，n为定值，r为转速，分别将三种故障特征频率除以nr后表示为横轴，即频谱图中的故障点的位置不随转速的变化而变化； S4、搭建卷积神经网络模型，基于训练集对卷积神经网络模型进行训练，基于测试集对训练后的卷积神经网络模型进行测试并获取测试结果，根据测试结果确定卷积神经网络模型的参数并表示为识别模型， S5、获取待识别的轴承振动信号，基于识别模型对获取待识别的轴承振动信号进行故障识别并获取故障种类。

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海事大学，其通讯地址为：116000 辽宁省大连市甘井子区凌水街道凌海路1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。