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！

龙图腾网获悉鄂尔多斯市营盘壕煤炭有限公司;安徽大学申请的专利一种基于机器学习的滚动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：CN120541506B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202510605583.9，技术领域涉及：G06F18/2135；该发明授权一种基于机器学习的滚动轴承故障诊断方法是由刘伟;王汝庆;张琨;薛鹏;张艳;孔栋;周卓亚;杨东设计研发完成，并于2025-05-12向国家知识产权局提交的专利申请。

本一种基于机器学习的滚动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机器学习的滚动轴承故障诊断方法，属于机械设备故障诊断技术领域，包括以下步骤：步骤S1：VMD参数优化；步骤S2：有效IMF分量筛选；步骤S3：特征提取及降维；步骤S4：故障诊断。本发明利用变分模态分解降低振动信号中的噪声，针对变分模态分解参数选择的难题，采用自适应灰狼算法寻优；利用排列熵对降噪后的数据进行特征提取，运用非线性主成分分析算法降低故障特征的维度，有效降低了振动信号中噪声对故障诊断准确率的影响，能够显著提高滚动轴承故障诊断的准确率。

本发明授权一种基于机器学习的滚动轴承故障诊断方法在权利要求书中公布了：1.一种基于机器学习的滚动轴承故障诊断方法，其特征在于，包括以下步骤： 步骤S1：VMD参数优化 将不同状态下的振动信号输入到变分模态分解算法，采用自适应灰狼算法对变分模态分解参数进行寻优，其中变分模态分解参数包括模态数量K和惩罚因子α； 步骤S2：有效IMF分量筛选 利用优化后的变分模态分解参数对振动信号进行分解，得到多个IMF分量，计算各IMF分量的相关性系数和排列熵，通过双阈值筛选出和原始振动信号相对应的有效的IMF分量； 步骤S3：特征提取及降维 将有效的IMF分量输入核化非线性主成分分析算法中，选取累计贡献率超过设定阈值的主成分，结合时域与频域特征构建滚动轴承振动数据的故障特征集； 步骤S4：故障诊断 利用故障特征集对粒子群优化支持向量机模型进行训练，利用训练好的模型进行滚动轴承的故障诊断； 在所述步骤S1中，所述自适应灰狼算法的具体处理过程如下： 步骤S11：采用拉丁超立方采样生成初始灰狼位置； 步骤S12：计算初始适应度，根据适应度确定领导者，其中，领导者即α、β、δ狼； 步骤S13：进入迭代循环； 步骤S14：输出最优解； 在所述步骤S3中，核化非线性主成分分析算法的具体处理过程如下： 步骤S31：高斯核计算 采用如下公式计算高斯核Kxi，xj： 其中，ψ为高斯核带宽参数；‖xi-xj‖2为样本xi与xj的欧氏距离平方； 步骤S32：近似加速核矩阵计算 步骤S321：随机采样 从N个样本中随机选取m个基样本，其中，mN，m为近似的基样本数； 步骤S322：计算子矩阵 计算基样本间的核矩阵： Wij＝Kxi，xj 其中，W∈Rm×m；i，j＝1,2,…m； 计算基样本与其他样本间的核矩阵： Cil＝Kxi，xm+l 其中，C∈Rm×N-m，i为基样本索引；l为非基样本索引； 步骤S323：近似核矩阵 采用如下表达式进行核矩阵近似： 其中，为对原始核矩阵K的近似矩阵； 步骤S33：核矩阵中心化 采用如下表达式进行核矩阵中心化： 其中，为中心化后的近似核矩阵，1N为元素全为1的N×N矩阵； 步骤S34：特征分解与主成分提取 对中心化核矩阵进行特征分解： 其中，V为特征向量矩阵，Λ为对角矩阵； 取前k个最大特征值对应的特征向量Vk； 将特征向量Vk投影到主成分空间： 其中，k为保留的主成分数量。

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鄂尔多斯市营盘壕煤炭有限公司;安徽大学，其通讯地址为：017399 内蒙古自治区鄂尔多斯市乌审旗嘎鲁图镇沙沙滩村所在地；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。