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！

龙图腾网获悉北京工商大学申请的专利一种基于因果关系网络的滚动轴承复合故障特征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：CN116340745B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202310284435.2，技术领域涉及：G06F18/2113；该发明授权一种基于因果关系网络的滚动轴承复合故障特征识别方法是由吴宗柠;于重重;高阔;李梦雄设计研发完成，并于2023-03-22向国家知识产权局提交的专利申请。

本一种基于因果关系网络的滚动轴承复合故障特征识别方法在说明书摘要公布了：本发明公布了一种基于因果关系网络的滚动轴承复合故障特征识别方法，通过滚动轴承复合故障特征选择，筛选出滚动轴承复合故障特征，从而有效识别轴承复合故障。本发明通过将复合故障特征间的因果关系用于复合故障特征选择，并构建复杂网络模型，并采用复杂网络节点中心性指标量化不同复合故障特征的重要性，从而筛选出更少数量的特征，同时实现更高的复合故障诊断准确率，且具有良好的通用性。

本发明授权一种基于因果关系网络的滚动轴承复合故障特征识别方法在权利要求书中公布了：1.一种基于因果关系网络的滚动轴承复合故障特征识别方法，其特征是，通过滚动轴承复合故障特征选择，筛选出滚动轴承复合故障特征，从而有效识别轴承复合故障；包括： 1构建滚动轴承复合故障特征因果关系网络模型： 构建基于马尔可夫毯发现算法的网络，包括挖掘复合故障特征间因果关系结构和构建复合故障特征因果关系网络；以每一个复合故障特征作为目标变量，使用马尔可夫毯发现算法搜索与目标变量具有因果关系的特征；以复合故障特征作为节点、特征间的因果关系作为连边，构建得到故障特征因果关系网络；包括： 11复合故障特征提取； 选取复合故障信号的时域类型、频域类型和熵值类型的统计量，构成复合故障特征集；其中包括七个复合故障信号的有量纲时域特征参数；六个复合故障信号的无量纲时域特征参数；五个复合故障信号的频域特征；两个复合故障信号的熵值类型参数； 12获取每一个复合故障特征的马尔可夫毯集合，识别复合故障特征间的因果结构； 121以每一个复合故障特征为目标变量，获取当前目标变量的马尔可夫毯集合； 1211首先将当前目标变量的马尔可夫毯集合初始化为空集；创建候选马尔可夫毯特征集合并初始化为空集； 1212将复合故障特征集内除了当前目标变量以外的所有复合故障特征放入候选马尔可夫毯特征集合； 1213计算候选马尔可夫毯特征集合中的复合故障特征与当前目标变量的条件独立性，根据条件独立性，分别更新当前目标变量的候选马尔可夫毯特征集合和马尔可夫毯集合；包括： 12131计算得到候选马尔可夫毯特征集合内所有特征中每一个复合故障特征和目标变量的相关性大小，并将复合故障特征按相关性大小进行降序排名； 12132计算在马尔可夫毯的条件下，当前目标变量和排名第一的复合故障特征的条件独立性；判断二者为条件相关或条件独立； 如果二者为条件相关，同时更新当前目标变量的候选马尔可夫毯特征集合和马尔可夫毯集合：将排名第一的复合故障特征从候选马尔可夫毯特征集合中剔除，并加入到当前目标变量的马尔可夫毯集合； 如果二者为条件独立，则继续判断下一排名的复合故障特征； 直到遍历候选马尔可夫毯特征集合内每一个复合故障特征，得到当前目标变量的马尔夫毯集合； 1214删除当前目标变量的马尔可夫毯集合内的错误节点，得到最终的马尔可夫毯集合；包括： 依次判断马尔可夫毯集合内的每一个特征在剩余特征的条件下，与当前目标变量的条件独立性；如果条件独立即该特征为错误节点，则将该特征从马尔可夫毯集合内剔除；如果条件相关，则继续判断下一特征，直到遍历所有特征，得到当前目标变量的最终的马尔可夫毯集合； 13根据复合故障特征间的因果结构，构建复合故障特征因果关系网络模型； 将复合故障特征集内的每一个复合故障特征作为网络节点，在每一个复合故障特征及其马尔可夫毯集合内的复合故障特征之间添加连边，将复合故障特征间的因果关系结构构建成复合故障特征因果关系网络； 2构建复合故障诊断深度神经网络模型；计算得到复杂网络节点中心性指标；筛选得到复合故障最优特征子集；包括： 21计算得到复杂网络节点中心性指标，用于量化复合故障特征的重要性； 22按每一个复合故障特征的节点中心性指标值升序排列，得到升序复合故障特征集合； 23对升序复合故障特征集合，按序逐个增加复合故障特征的数量，将对应的复合故障特征输入到构建的复合故障诊断深度神经网络模型中，计算滚动轴承复合故障识别准确率； 24以准确率达到峰值时对应的复合故障特征子集为复合故障最优特征子集，作为节点中心性指标相应应的复合故障特征筛选结果； 25分别利用不同的节点中心性指标得到相应的复合故障最优特征子集； 26对比不同最优特征子集的准确率，以准确率最高的最优特征子集作为最终复合故障最优特征子集； 通过上述步骤识别得到最终复合故障最优特征子集，即可实现有效识别滚动轴承复合故障。

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北京工商大学，其通讯地址为：100048 北京市海淀区阜成路33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。