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！

龙图腾网获悉湖南科技大学申请的专利一种基于超小波的轴承故障诊断方法、系统和存储介质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：CN116484176B 。

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：202310462774.5，技术领域涉及：G06F18/10；该发明授权一种基于超小波的轴承故障诊断方法、系统和存储介质是由陶洁;李至颖;赵前程;肖钊;王楷设计研发完成，并于2023-04-26向国家知识产权局提交的专利申请。

本一种基于超小波的轴承故障诊断方法、系统和存储介质在说明书摘要公布了：本发明公开的一种基于超小波的轴承故障诊断方法、系统和存储介质，所述方法包括：获取轴承振动信号；将所述轴承振动信号输入至预设超小波卷积神经网络模型，通过超小波块对所述轴承振动信号进行分析，得到多个尺度的轴承故障特征；对所述多个尺度的轴承故障特征进行加权融合，得到融合故障特征；根据所述融合故障特征进行分析，得到轴承故障诊断信息。本发明通过SWCNN对风机齿轮箱轴承振动信号进行处理，通过超小波块处理含有噪声的轴承振动信号，利用3种不同的小波基函数分别进行降噪处理与特征提取，增强SWCNN网络的抗噪能力。此外，超小波块的权重融合层能自适应地确定融合权重，从而增强故障特征明显的小波通道，进而突出关键特征，提高诊断准确率。

本发明授权一种基于超小波的轴承故障诊断方法、系统和存储介质在权利要求书中公布了：1.一种基于超小波的风机齿轮箱轴承故障诊断方法，其特征在于，包括： 获取轴承振动信号； 将所述轴承振动信号输入至预设超小波卷积神经网络模型，通过超小波块对所述轴承振动信号进行分析，得到多个尺度的轴承故障特征； 对所述多个尺度的轴承故障特征进行加权融合，得到融合故障特征； 根据所述融合故障特征进行分析，得到轴承故障诊断信息； 建立初始超小波卷积神经网络模型； 获取风机齿轮箱轴承振动信号样本数据； 将所述振动信号样本数据按照预设比例划分为训练集、验证集和测试集； 将所述训练集、验证集和测试集分别输入至所述初始超小波卷积神经网络模型进行训练诊断，得到预设超小波卷积神经网络模型； 将所述轴承振动信号输入至预设超小波卷积神经网络模型之后，还包括： 获取多个小波库数据； 对所述小波库数据进行分析，得到多个自适应小波； 所述自适应小波的计算方法用公式表示为： ； 其中，是第个小波基函数，是该小波基函数的尺度因子，是该小波基函数的平移因子，是超小波的组合系数,表示第类小波基函数； 通过超小波块对所述轴承振动信号进行分析，得到多个尺度的轴承故障特征，包括： 所述超小波块通过所述多个自适应小波基分别对所述轴承振动信号进行小波变换，使所述超小波块通过小波变换对所述轴承振动信号进行分解降噪，得到降噪振动信号； 通过所述多个自适应小波对所述降噪振动信号进行特征提取，得到多个尺度的轴承故障特征； 所述小波变换用公式表示为： ； 其中，表示母小波，t为时间，为与频率成反比的尺度因子，为平移因子； 所述根据所述融合故障特征进行分析，得到轴承故障诊断信息，包括： 将所述融合故障特征输入至多个卷积层； 所述多个卷积层根据预设方法对所述融合故障特征进行处理，并将处理后的故障特征发送至全连接层； 所述全连接层对所述处理后的故障特征进行整合分类，得到轴承故障诊断信息。

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湖南科技大学，其通讯地址为：411100 湖南省湘潭市雨湖区石马头；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。