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！

龙图腾网获悉华南理工大学申请的专利一种基于CNN的旋转机械局部故障信号稀疏时频表示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：CN116451019B 。

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：202310316873.2，技术领域涉及：G06F18/10；该发明授权一种基于CNN的旋转机械局部故障信号稀疏时频表示方法是由习慈羊;林慧斌设计研发完成，并于2023-03-27向国家知识产权局提交的专利申请。

本一种基于CNN的旋转机械局部故障信号稀疏时频表示方法在说明书摘要公布了：本发明公开了一种基于CNN的旋转机械局部故障信号稀疏时频表示方法，包括步骤：步骤S1，利用旋转机械局部故障信号响应模型和信号预处理构造用于网络模型训练的时频谱数据集；步骤S2，构造一个卷积神经网络模型并对模型进行训练；步骤S3，采集设备端的转速信号并计算不同位置发生故障时的各阶次故障特征时频脊线，同时采集设备端的振动信号并通过信号预处理获得可用于卷积神经网络模型输入的时频谱样本；步骤S4，采用训练好的卷积神经网络模型对时频谱样本进行稀疏特征提取，得到该样本的稀疏时频表示；步骤S5，提取故障特征时频脊线并逐个比对各阶次故障特征时频脊线，进一步确定故障发生位置，从而完成旋转机械的高精度故障诊断。

本发明授权一种基于CNN的旋转机械局部故障信号稀疏时频表示方法在权利要求书中公布了：1.一种基于CNN的旋转机械局部故障信号稀疏时频表示方法，其特征在于，包括以下步骤： S1、利用旋转机械局部故障信号响应模型和信号预处理构造用于网络模型训练的时频谱数据集； S2、构造卷积神经网络模型并对模型进行训练； S3、采集设备端的转速信号并计算不同位置发生故障时的各阶次故障特征时频脊线，同时采集设备端的振动信号并通过信号预处理获得可用于卷积神经网络输入的时频谱样本； S4、采用训练好的卷积神经网络模型对时频谱样本进行稀疏特征提取，得到该样本的稀疏时频表示； S5、提取步骤S4中样本的稀疏时频表示中的故障特征时频脊线并逐个比对步骤S3中获得的各阶次故障特征时频脊线，进一步确定故障发生位置，完成旋转机械的高精度故障诊断； 其中，步骤S1中具体包括： S11、根据旋转机械局部故障信号响应模型，建立理想的局部故障冲击仿真信号，旋转机械局部故障信号响应模型如下式所示： 式中：表示系统的第阶共振频率，表示系统的第阶阻尼比，表示第阶共振下第次脉冲响应的信号幅值，表示第次脉冲发生的时刻，表示单位阶跃响应函数，为脉冲响应总次数，为故障引起的系统共振总阶数，为时间； S12、对理想的局部故障冲击仿真信号加入高斯白噪声，得到含噪信号； S13、分别对无噪信号和含噪信号进行预处理，以通过含噪信号做预处理获得的时频谱作为输入、无噪信号做预处理获得的时频谱作为标签，完成时频谱数据集的构建； 步骤S3中具体包括： S31、采集设备的振动加速度信号，并对其进行预处理，获得适用于卷积神经网络模型输入的时频谱； S32、采集设备的输入轴转速信号，由设备的机械结构分析轴承和齿轮可能会发生的故障位置，并计算各种可能的故障位置下的各阶次故障特征时频脊线，时频脊线中各瞬时点的故障特征频率计算公式如下： 式中：表示在时刻某可能的位置下的瞬时故障特征频率，为该位置故障时对应的故障特征频率系数，为该位置所在旋转轴在时刻的瞬时转频，为振动信号采集起始时刻点，为振动信号采集终止时刻点，为瞬时故障特征频率的阶次。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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。