基于可解释1DCNN模型的滚动轴承故障诊断方法及系统技术方案

本发明专利技术提供一种基于可解释1DCNN模型的滚动轴承故障诊断方法及系统，属于设备故障诊断技术领域，同时采集多组滚动轴承振动信号和转速信号数据，并将数据划分为训练集和测试集；对振动信号做包络解调得到包络信号，同时将转速信号转换为广义解调算子；然后利用广义解调算子在敏感频率带内对包络信号做广义解调，得到频率特征向量；将一维频率特征输入到1DCNN模型中做训练，将测试集中得到的频率特征向量输入到1DCNN中做测试，输出诊断结果；利用LIME对1DCNN模型做分析，得到带有权重的特征值，对模型的诊断结果做出解释。本发明专利技术克服了智能诊断模型样本需求大以及可解释性差的问题，在时变转速工况下具有识别度高、样本依赖性小的优点，实际应用强。实际应用强。实际应用强。

【技术实现步骤摘要】
基于可解释1DCNN模型的滚动轴承故障诊断方法及系统


[0001]本专利技术涉及设备故障诊断
，具体涉及一种基于可解释1DCNN模型的滚动轴承故障诊断方法及系统。

技术介绍

[0002]滚动轴承是旋转机械中的重要组成部分，故障率极高，且大多数情况下在变转速工况下运行，故障冲击间隔随时间变化而变化，传统的匀转速工况下的故障诊断方法不再适用，这给故障诊断带来了巨大的挑战。因此，探究滚动轴承在时变转速工况下的故障健康状况，并建立合适的滚动轴承状态监测模型，可以有效的避免故障带来的经济损失和人员安全隐患。
[0003]随着深度学习技术的发展，越来越多的智能故障诊断算法被提出，并且在大数据样本下取得了较好的分类效果。然而考虑到实际情况，在时变转速的条件下的原始数据往往是不多的，同时当前的滚动轴承智能故障诊断模型在可解释性方面存在欠缺，模型的预测结果无法使工程人员信服，不能做出正确的诊断决策。因此，结合故障诊断知识，做到特征与模型的结合，对增强模型的可解释能力和泛化能力具有十分重要的意义。
[0004]在现有技术中，雷亚国等人提出了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可解释1DCNN模型的滚动轴承故障诊断方法，其特征在于，包括如下步骤：步骤1：同时采集多组滚动轴承振动信号和转速信号数据，并将数据划分为训练集和测试集；步骤2：对训练集中的振动信号做包络解调得到包络信号，将对应的转速信号转换为广义解调算子；步骤3：利用广义解调算子在敏感频率带内对包络信号做广义解调，得到频率特征向量；步骤4：将一维频率特征输入到1DCNN模型中做训练，将测试集中得到的频率特征向量输入到1DCNN中做测试，输出诊断结果；步骤5：利用机器学习解释模型LIME对1DCNN模型做分析，得到带有权重的特征值，对模型的诊断结果做出解释。2.根据权利要求1所述的基于可解释1DCNN模型的滚动轴承故障诊断方法，其特征在于，滚动轴承原始振动信号和转速信号数据包括时变转速下滚动轴承正常、外圈故障、内圈故障、滚动体故障以及复合故障的原始振动信号和转速信号数据。3.根据权利要求1所述的基于可解释1DCNN模型的滚动轴承故障诊断方法，其特征在于，在所述步骤2中：包络信号计算公式为：其中x(t)为原始振动信号；广义解调算子为：其中，为转速信号的瞬时相位，f0为转速信号的初始频率。4.根据权利要求1所述的基于可解释1DCNN模型的滚动轴承故障诊断方法，其特征在于，在所述步骤3中，利用广义解调算子在敏感频率带内对包络信号做广义解调，得到频率特征向量的具体方法为：步骤31：根据滚动轴承故障诊断知识，滚动轴承各个部位的故障特征频率计算公式如下：下：下：其中，f
r
为转速信号得到的转速频率，f0为滚动轴承外圈故障特征频率，f
i
为内圈故障特征频率，f
b
为滚动体故障特征频率，Z为滚动体个数，D为轴承节圆直径，d为滚动体直径，a为接触角；步骤32：敏感频率带为：Z
f
＝[2πf
‑
Ω1,2πf+Ω2]其中，f为频率点，取值为f
r
,2f
r
,f
o
,2f
o
,3f
o
,f
i
,2f
i
,3f
i
,f
b
,2f
b
,3f
b
，Ω1,Ω2分别为区间的左右频率点；步骤33：结合广义解调算子和敏感频率带对包络信号做广义傅里叶变换，具体公式为：
其中，s
k
(t)为第k个敏感频率带内的广义解调算子；步骤34：分别截取每个敏感频率带内的频率特征，并将所有的频率特征累加，公式为：其中，h
k
(f)为单个敏感频率带内的特征向量，公式为：其中，f
s
为采样频率。5.根据权利要求1所述的基于可解释1DCNN模型的滚动轴承故障诊断方法，其特征在于，在所述步骤4中，构造的1DCNN模型先通过第一卷积层的...

【专利技术属性】
技术研发人员：佟庆彬，路飞宇，冯子微，万庆祝，曹君慈，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：