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！

龙图腾网获悉淮阴工学院申请的专利一种基于二进制模式和PBA-ANN的电机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：CN116469398B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202310440774.5，技术领域涉及：G10L17/26；该发明授权一种基于二进制模式和PBA-ANN的电机故障诊断方法是由付丽辉;钱浩;何佳晨;皇甫立群;陈良海设计研发完成，并于2023-04-23向国家知识产权局提交的专利申请。

本一种基于二进制模式和PBA-ANN的电机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二进制模式和PBA‑ANN的电机故障诊断方法，包括：对电机故障数据采集，建立两种电机故障的声音数据集，即近故障声音信号数据集及远故障声音信号数据集；使用离散小波变换DWT和一维的二进制模式1D‑BP来完成对电机故障声音信号的特征提取，使用近邻成分分析法NCA来选取最具有代表性的电机故障特征，从而获得可以有效表征电机故障的典型特征；利用PBA算法优化ANN的权重，建立PBA‑ANN分类模型，并将其应用于电机故障的诊断与预测中。与现有技术相比，本发明完成对五台感应电机的工作状态及故障的诊断，包括健康、一个转子棒断裂故障、两个转子棒断裂故障、三个转子棒断裂故障、轴承故障。结果表明本发明诊断性能良好，可以显著提高电机故障的预测精度。

本发明授权一种基于二进制模式和PBA-ANN的电机故障诊断方法在权利要求书中公布了：1.一种基于二进制模式和的电机故障诊断方法，其特征在于，包括以下步骤： 步骤1：对电机故障数据进行采集，建立两种电机故障的声音数据集，即近故障声音信号数据集、远故障声音信号数据集； 步骤2：基于DWT与1D-BP技术，利用多级一维离散小波变换1D-DWT技术对电机故障声音信号进行分解和降噪，获得电机故障的原始特征信号；采用1D-BP方法完成对电机故障信号的特征提取，并使用近邻成分分析法NCA完成对电机故障特征的有效选取； 步骤3：基于深度学习进行电机故障诊断分类，通过算法优化的权重，建立分类模型，并将其应用于电机故障的诊断中； 步骤3a：更新模型每一层的权重和偏差，分别使用下列方程来更新模型的每一层权重和偏差： ； ； 其中，表示权重，表示偏置，表示层数，表示正则化参数，表示学习率，表示训练样本总数，表示动量，表示更新步骤，表示成本函数，输出单元和隐藏单元在数学上表示为以下方程： ； ； 其中，表示输入和隐藏层之间的权重； 步骤3b：利用甲虫算法优化神经网络ANN的权重值； 所述步骤3b中利用甲虫算法优化神经网络ANN的权重值具体包含以下步骤： 1完成对样本数据的随机采样，采用随机采样技术来确保所有搜索空间都能正确表示个样本； 2初始化，整个算法处于优化的第0代，的优化个体被任意放置在与全局搜索空间相关的超体积当量内，用于搜索最佳位置向量，这些个体为先驱个体，初始种群的每个先驱个体被任意放置到全局搜索空间中，其具体定义如下： ； ； 其中，和表示优化变量的上限和下限变量，为数据维度； 当所有个体识别超体积位置时，个解将被一一比较，并获得最佳个体，第一个种群就在超体积空间位置上产生；初始种群的每个先驱个体用来表示输入层和隐藏层之间的权重值，由此，权重参数和成本函数被初始化； 3新建超空间选择模式 在该阶段，每一个新出现的个体将在搜索空间内搜索新解，用于创造属于个体本身的总群；其中，具有如下五种超体积选择模式：相邻搜索，全局搜索，中等规模搜索，大规模搜索，考虑内存搜索； 利用以上搜索方法，建立最佳个体位置，新的先驱粒子被任意放置在通过随机采样技术获取的搜索空间，具体如下： ； ； 其中，表示第个体解向量的元素组成，表示生成代数，是第个出生位置或解向量的元素，和是第次搜素的第维的上下限，表示模式参数；根据上述方程进行迭代，在每次迭代期间，通过评估适应度函数来分析权重和成本函数，并与先前迭代的适应度函数比较，用以检测最优值，从而重新初始化权重和成本参数； 4更新种群位置 通过更新种群中所有个体的位置，对种群的位置进行更新，除了存储在内存中的信息，其他信息都会被删除；具体而言，所有先前的种群都会消失，新发现的位置变成了新一代总群的出生地；基于之前的规则，由这种超体积模式产生新群体，重复此过程，直到PBA达到停止条件； 采用随机采样技术，每个变量的均匀分布函数被划分为多个具有相等边界概率的段，这些段为每个变量随机选择，并通过在不同变量之间的随机混选来定义样本，即通过将每个变量的范围划分为个非重叠的相等分段来构建样本，然后通过随机分配所有参数的值来创建维度为的样本；因此，维空间被划分为段，并且从每个单元中随机选择单个值，产生一组大小为的样本； 针对由个独立的均匀分布的变量，每个变量被划分为个相等区间，从而产生个单元，其中，每行和每列仅包含一个样本，且满足以下表达式： ； 其中，是随机数，是的累积分布函数，在段和个变量的条件下，采样样本的最大组合数为： ； 通常，变量被定义到给定的搜索空间中，由全局边界和定义，特别的，和是第步的第个维度的低和高边界，而样本的最大距离也称为追踪距离，由以下表达式计算： ； 由此，第次的追踪步骤的采样技术可以描述为： ； 在采样过程中，需要在范围内采样，并位于全局搜索空间范围内，即，而位于该范围外的任何点都会被校正； 利用甲虫算法优化神经网络ANN的权重值时的更新种群位置，根据下式来实现超体积模式的选择： ； 其中，表示大规模因子，表示中等规模因子，表示相邻因子。

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淮阴工学院，其通讯地址为：223005 江苏省淮安市经济技术开发区枚乘东路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。