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！

龙图腾网获悉安徽理工大学申请的专利基于监督反双曲正弦空间学习的多模态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：CN119740001B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411366246.0，技术领域涉及：G06F18/213；该发明授权基于监督反双曲正弦空间学习的多模态轴承故障诊断方法是由苏树智;许梦杰;朱彦敏;陈见设计研发完成，并于2024-09-29向国家知识产权局提交的专利申请。

本基于监督反双曲正弦空间学习的多模态轴承故障诊断方法在说明书摘要公布了：本发明公开了基于监督反双曲正弦空间学习的多模态轴承故障诊断方法，主要是构建监督反双曲正弦空间学习模型，从而能够在监督环境下学习故障数据的多模态特征，有效提高监督环境下故障诊断的准确性，具体实现过程为：1借助故障样本数据间的不同流形结构，构建监督反双曲正弦空间学习模型；2优化求解该模型中反双曲正弦空间投影矩阵的解析解；3在反双曲正弦空间投影矩阵的基础上获得故障样本数据的多模态故障特征，并利用分类器获得故障的诊断结果。与现有技术相比，本发明的故障诊断方法更具有效性和鲁棒性。

本发明授权基于监督反双曲正弦空间学习的多模态轴承故障诊断方法在权利要求书中公布了：1.一种基于监督反双曲正弦空间学习的多模态轴承故障诊断方法，包括如下步骤： 1将训练轴承故障诊断数据转化为列向量，所述训练轴承故障诊断数据来自帕德博恩轴承故障数据集，从中选择了三个数据模态进行实验验证，分别是电机电流信号、扭矩信号和振动信号，以构成轴承故障诊断训练样本集合其中Qi代表第i组数据集的特征维数，n表示样本的个数，m为故障的模态数量； 2针对轴承故障诊断的多模态轴承故障数据，构建监督反双曲正弦空间学习模型以校正轴承故障数据的类内和类间样本协方差矩阵偏差，模型的构建按如下步骤进行： 2a将训练故障诊断数据转化为列向量，所述训练故障诊断数据为轴承运行过程中采集的多模态轴承故障数据，包括电机电流信号、扭矩信号、振动信号，以构成故障诊断训练样本集合其中Qi代表第i组数据集的特征维数，n表示样本的个数，m为故障的模态数量，定义矩阵Hii是样本集合Fi的类内协方差矩阵，Hij为样本集合Fi和Fj的类间协方差矩阵，j＝1,2,…,m； 2b对于训练样本并设样本没有经过中心化，表示第ii＝1,2,…,m个样本集合Fi中的第pp＝1,2,…,n个样本，构建监督反双曲正弦空间学习模型： 其中为Fi寻找的投影向量，和为反双曲正弦类内和类间协方差矩阵；以反双曲类内协方差矩阵为例，构建反双曲正弦类内协方差矩阵如下： 其中Pii和Dii分别表示Hii的左奇异矩阵和右奇异矩阵，利用反双曲正弦函数对奇异值矩阵进行校正，进而得到反双曲正弦类内协方差矩阵为奇异值对角矩阵，Hii构建如下： 其中为样本集合Fi的均值，对Hii进行奇异值分解： Hii＝PiiΛiiDiiT 其中为奇异值对角矩阵； 同理，构建反双曲正弦类间协方差矩阵如下： 其中，为对应的奇异值对角矩阵，Pij和Dij分别表示Hij的左奇异矩阵和右奇异矩阵，tij为Hij的秩，即tij＝rankHij，类间协方差矩阵Hij构建如下： 其中为样本集合Fj的样本均值，对Hij进行奇异值分解： Hij＝PijΛijDijT 其中为奇异值对角矩阵； 2c监督反双曲正弦空间学习模型可以用以下优化问题来表示： 其中，约束时，上述优化模型投影方向的解不变； 3优化求解反双曲正弦空间投影矩阵L＝η1T,η2T,…,ηmT； 4利用空间投影获得故障数据的多模态特征，并利用分类器对多模态故障特征进行分类，从而获得轴承故障的诊断结果。

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安徽理工大学，其通讯地址为：232000 安徽省淮南市泰丰大街168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。