【技术实现步骤摘要】
基于可释性乘法卷积网络的故障诊断方法及系统
[0001]本专利技术属于故障诊断
，涉及一种基于可释性乘法卷积网络的故障诊断方法及系统。
技术介绍
[0002]近些年来，随着科学技术的不断革新壮大以及社会工业化的迅猛发展，越来越多的工业产业化系统被装载在大型工业生产场合，在这种应用环境下创造了无可替代的巨大生产力，因而这些设备的保养维护工作显得尤其重要和艰巨。但往往太多隐含的影响因素都有可能造成这些系统设备故障的产生甚至是失效，因此国家和企事业单位越来越关注对这些重要系统设备的状态检测以及故障诊断方面工作。
[0003]传统的智能故障诊断模型存在两个主要缺陷：
[0004](1)传统的智能故障诊断模型完全从数据出发，缺乏对设备振动信号潜在产生机理的深入剖析，导致模型结构并不能很好地适配振动信号的数据特征；
[0005](2)传统的智能故障诊断模型通过深层堆叠来增加模型的故障辨识能力，却使得高层的更加抽象，没有明确的物理意义，模型也因此缺乏解释。
[0006]以上问题对模型的决策机制和结果提...
【技术保护点】
【技术特征摘要】
1.一种基于可释性乘法卷积网络的故障诊断方法，其特征在于，包括如下步骤：采集设备不同健康状态下的振动信号，并构建频谱样本数据集；设计乘法特征分离器、卷积特征提取器和鉴别器，得到可释性乘法卷积故障诊断评估模型；将频谱样本数据集作为可释性乘法卷积故障诊断评估模型的输入，更新优化可释性乘法卷积故障诊断评估模型。2.如权利要求1所述的基于可释性乘法卷积网络的故障诊断方法，其特征在于，构建频谱样本数据集的具体方法如下：采集设备不同健康状态下的振动信号，设置采样频率为Fs，健康状态的分类数目为K；将每条振动信号分割为多个振动样本，每个振动样本的长度为L＝Fs，设置振动样本对应的采样时长；对每个振动样本进行FFT变换，得到其对应的频谱样本为x∈R1×
L
，并记录样本标签。3.如权利要求1所述的基于可释性乘法卷积网络的故障诊断方法，其特征在于，设计乘法特征分离器的方法为：乘法特征分离器包含数个解析乘法滤波核，用于分离谱样本中的故障敏感特征，每个乘法滤波核具有两个可学习参数：中心频率ω
c
及带宽惩罚系数λ，乘法特征分离器的第k个乘法滤波器核对应的特征图h
k
为：h
k
＝M(ω
ck
,λ
k
)
·
X(ω)其中，X(ω)为频谱样本组成的训练集，ω为频率；M(
·
)为乘法滤波核；ω
ck
和λ
k
分别为第k个乘法滤波器核的中心频率和带宽惩罚系数；设乘法特征分离器的深度为N，及乘法滤波核的个数为N，将N个特征图堆叠为乘法特征分离器的输出映射H：H＝[h1；h2；
…
；h
N
]。4.如权利要求3所述的基于可释性乘法卷积网络的故障诊断方法，其特征在于，为使每个乘法滤波核分离更加判别性的故障信息，提高特征图的多样性，在乘法特征分离器中引入抗混叠策略，第k个特征图h
k
重写为：其中，h
i
表示第i个特征图。5.如权利要求3所述的基于可释性乘法卷积网络的故障诊断方法，其特征在于，为了实现特征分离，乘法滤波核设计解析式可采用：和/或其中，W(
·
)和G(
·
)分别表示维纳滤波核和高斯滤波核，α和σ分别是它们的带宽惩罚系数；ω
c
是中心频率参数。6.如权利要求1所述的基于可释性乘法卷积网络的故障诊断方法，其特征在于，设计卷
积特征提取器的方法如下：构造一个1维卷积层，用于提取乘法特征分离器输出映射特征图H中的高维特征，卷积核的输出通道为64，卷积操作表示为：y＝ReLU(w
conv
*H+b
conv
)其中，w
conv
和b
conv
分别是卷积特征提取器的权重与偏置；ReLU(
·
)是激活函数，其激活准则为：其中，y表示卷积层输出的节点响应；通过自适应最大池化函数AdptiveMaxPooling(
·
)对特征y进行降维，保留最大的10个输出节点，池化过程为：其中，y
l
是第l个通道的卷积输出向量，表示卷积层第l个通道经自适应最大池化后的第i个输出；将卷积特征提取器各通道输出y
l
平坦化特征向量y：y
←
Flatten({y
l
}),l＝1,2,...,64其中，Z∈R
640
×1是平坦后的特征向量，Flatten表示平坦化处理。7.如权利要求1所述的基于可释性乘法...
【专利技术属性】
技术研发人员：丁晓喜，刘胜兰，王浩，刘锐，陈文豪，吴启航，王利明，黄文彬，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。