申请/专利权人：北京航空航天大学

申请日：2021-10-22

公开（公告）日：2024-04-09

公开（公告）号：CN113970444B

主分类号：G01M13/028

分类号：G01M13/028;G01M13/021

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.02.15#实质审查的生效;2022.01.25#公开

摘要：本发明公开了一种基于最小贝叶斯风险重分类和自适应权重的齿轮箱故障诊断方法，所述方法包括：利用多路信号传感器收集齿轮箱各项运行监测参数，得到多路时间序列参数数据；基于所述多路时间序列参数数据进行特征提取和降维，得到降维后的降维特征向量；将所述多路信号的每一路降维特征向量，输入概率神经网络PNN分类器，对PNN分类器进行训练；构建最小贝叶斯重分类模型，将初步分类结果输入所述最小贝叶斯风险重分类模型，得到重分类结果；使用基于自适应加权机制的决策信息融合算法，自动融合所述重分类结果，得到更稳健的齿轮箱故障诊断最终分类结果。

主权项：1.基于最小贝叶斯风险重分类和自适应权重的齿轮箱故障诊断方法，所述方法包括：利用多路信号传感器收集齿轮箱各项运行监测参数，得到多路时间序列参数数据；基于所述多路时间序列参数数据进行特征提取和降维；所述特征提取包括：时间序列参数数据的傅里叶变换，计算齿轮箱的特征频率，计算齿轮箱的故障特征频率，以及提取频谱段得到特征向量；所述降维是指对所述特征向量进行主成分分析，得到降维后的降维特征向量；将所述多路信号的每一路降维特征向量，输入概率神经网络PNN分类器，对PNN分类器进行训练；所述训练包括采用自适应参数优化方法对PNN分类器的各种工况和信号类型下的模型参数进行优化，得到优化PNN分类器；再次将所述降维特征向量输入优化PNN分类器，得到齿轮箱故障模式的初步分类结果；构建最小贝叶斯重分类模型，将所述初步分类结果输入所述最小贝叶斯风险重分类模型，得到重分类结果；使用基于自适应加权机制的决策信息融合算法，自动融合所述重分类结果，得到更稳健的齿轮箱故障诊断最终分类结果。

全文数据：

权利要求：

百度查询： 北京航空航天大学 基于最小贝叶斯风险重分类和自适应权重的齿轮箱故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD