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！

龙图腾网获悉华中科技大学申请的专利一种变工况轴承故障诊断模型的构建方法及应用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：CN115310495B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202211047438.6，技术领域涉及：G06F18/213；该发明授权一种变工况轴承故障诊断模型的构建方法及应用是由刘红奇;朱秋凝;吕嘉伟;毛新勇;李斌;彭芳瑜;鲍晨毓;黄一学设计研发完成，并于2022-08-29向国家知识产权局提交的专利申请。

本一种变工况轴承故障诊断模型的构建方法及应用在说明书摘要公布了：本发明属于故障诊断相关技术领域，其公开了一种变工况轴承故障诊断模型的构建方法及应用，该方法包括以下步骤：1构建变工况故障诊断模型，同时，将多个现有工况下的轴承振动信号数据作为源域数据、新分布下的轴承振动信号数据作为目标域数据，以构成训练样本集；2将训练样本集输入至变工况轴承故障诊断模型中，只使用现有多工况中的一种所对应的数据对诊断模型进行训练，得到该种工况下的AdaSHAP模型，并对AdaSHAP模型进行第一阶段的训练；3对AdaSHAP模型进行第二阶段的训练，对其他工况数据做域自适应，从而使得AdaSHAP模型同时适用于其他工况。本发明解决了现有技术在变工况场景下、轴承故障诊断准确率较低的技术问题。

本发明授权一种变工况轴承故障诊断模型的构建方法及应用在权利要求书中公布了：1.一种变工况轴承故障诊断模型的构建方法，其特征在于，该方法包括以下步骤： 1构建变工况故障诊断模型，同时，将多个现有工况下的轴承振动信号数据作为源域数据、新工况下的轴承振动信号数据作为目标域数据，以构成训练样本集；其中所述变工况故障诊断模型包括一种基于函数型数据分析的基函数分解网络及一种基于沙普利值的轴承故障分类网络，所述基函数分解网络用于实现对轴承数据进行数据驱动的解耦过程，所述轴承故障分类网络用于计算出每一个所述基函数分解网络学到的基函数在跨工况的情况下对故障类型预测结果的影响，从而对所述基函数分解网络进行动态剪枝； 2将训练样本集输入至变工况轴承故障诊断模型中，只使用现有多工况中的一种所对应的数据对变工况轴承故障诊断模型进行训练，得到该种工况下的AdaSHAP模型，并对AdaSHAP模型进行第一阶段的训练；其中，AdaSHAP模型为AdaFNN和ShapNet的融合； 3对AdaSHAP模型进行第二阶段的训练,使用改进的MK-MMD方法，对训练样本集中的其他工况数据做域自适应，从而使得AdaSHAP模型同时适用于其他工况； 所述基函数分解网络随机初始化一组多层感知机网络以用于拟合基函数，每一个基函数都会与输入X做内积运算以得到一个输入对该基函数的得分； 所有基函数的得分一起作为输入分类网络的新的表征形式，依据不同的任务类型被送至轴承故障分类网络中； 所述轴承故障分类网络是基于深度ShapNet网络构建的；深度ShapNet网络通过堆叠浅层ShapNet将沙普利值作为深度ShapNet网络提取到的特征参数进行层间传递；浅层ShapNet是根据线性性质，将输入的个数完全覆盖求出所有输入的精确的沙普利值； 第二阶段的训练包括以下步骤： S31，通过所述训练样本集中的其他工况数据做域自适应，以使得AdaSHAP模型也适用于其他工况； S32，采用MK-MMD方法，利用AdaSHAP模型将源域数据与目标域数据映射至一个新的表征空间来比较两个域的数据，计算新的表征空间中两个域的特征之间的衡量差异； S33，在训练AdaSHAP模型时，设置一个中间轮数，在中间轮数之前AdaSHAP模型只接收来自源域的数据，损失函数中不加入迁移项，而在中间轮数之后，源域数据和无标签目标域数据会同时输入AdaSHAP模型，源域数据输出表征空间特征与预测结果并计算分类损失，目标域数据需要得到表征空间中的特征并与源域数据的表征空间特征一起计算出MK-MMD损失项； 新的表征空间中两个域的特征之间的MK-MMD损失项对应的计算公式为： 式中，S,T分别表示源域特征与目标域特征，G代表高斯核函数。

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中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037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。