申请/专利权人：新疆大学

申请日：2024-01-22

公开（公告）日：2024-04-12

公开（公告）号：CN117874580A

主分类号：G06F18/24

分类号：G06F18/24;G06F18/10;G06N3/006;G06N20/10;G01M13/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于优化的MCKD‑EWT数据处理和ISSA‑SVM的轴承故障诊断的方法。该方法包括：对传感器接收到的富含噪声的信号进行降噪处理，即使用公式和网格搜索法和实验迭代的方法分别对最大相关峭度接卷积的解卷积周期T、滤波器长度L、移位数M三个参数进行优化完成信号降噪；对降噪完的信号进行改进后的经验小波变换的信号处理，分解信号MRA分量，提取每个分解后的MRA分量的峭度值作为特征向量，组成特征向量组，将特征向量组分为训练集和测试集输入到多支持向量机中进行模型训练，并对支持向量机进行多策略融合改进的麻雀搜索算法优化，并将特征向量组输入到此模型中进行故障识别。本申请可以从传感器获得的信号中提取有效的故障信息完成故障检测和故障识别，具有非常好的工业意义。

主权项：1.一种基于优化的MCKD-EWT数据处理和ISSA-SVM的轴承故障诊断的方法，其特征在于，诊断方法的过程是：第一步：收集原始的传感器故障诊断信号，对原始的信号进行经参数优化后的最大相关峭度解卷积信号降噪；第二步：对经降噪后的信号进行改进的频谱划分的经验小波信号分解，提取特征向量数据集；第三步：使用sin混沌映射、柯西算子、反向学习多种方法融合的麻雀搜索算法，以提高算法的识别能力，提出ISSA算法；第四步：将上述的特征向量数据集输入到已经建立好的故障诊断模型中，得到故障诊断的识别率；在特征向量数据集中包括多种故障状态的训练数据，每种故障状态的训练数据包括特征数据和对应的故障标签；第五步：根据模型所得到的结果，基于所属的标签判断轴承处于何种故障状态。

全文数据：

权利要求：

百度查询： 新疆大学 一种基于优化的MCKD-EWT数据处理和ISSA-SVM的轴承故障诊断的方法

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