【技术实现步骤摘要】
本专利技术属于机械设备故障诊断，具体涉及一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法。
技术介绍
1、旋转机械在农业、制药业、采矿业、航空航天等领域广泛应用，对现代生产制造起着重要作用。滚动轴承、齿轮等是旋转机械中常见的关键基本部件，在重过载、高温、高压等极端条件长期工作下，大大增加各种故障发生的风险。例如，轴承可能出现磨损、腐蚀、保持架变形等故障；齿轮易出现齿面磨损、断齿等故障。如果不及时修理或更换故障部件，可能导致整个机械工作系统失效，造成经济损失和安全事故。因此，开发通用有效的旋转机械故障诊断方法具有重要的经济价值和社会意义。在工业智能制造时代背景下，对旋转机械关键部件的状态监测及故障诊断逐步迈向数字化、自动化和智能化。
2、振动信号因其具有故障敏感性高、易于测量等特点被广泛用于旋转机械故障诊断研究。通常，传统基于数据驱动的智能机器学习故障方法主要通过三个独立的步骤，即振动信号采集、故障特征提取、故障分类实现。这些浅层机器学习方法通常需要利用复杂的专业知识和先验知识来提取故障关联特征，其诊断性能严重依赖于提取特征的质量，泛化性和鲁棒性较差。
3、近年来，基于深度学习的智能诊断技术在学术界的关注度甚高，凭借其灵活多样的模块化构造、强大的特征提取和分类一体化学习能力，相较于传统机器学习方法，诊断性能更好、扩展性更强、适应性更广。特别是卷积神经网络(convolutional neural network，cnn)在众多深度学习方法中脱颖而出，在各种复杂任务中取得显著的成果。然而，其存在以下局限
技术实现思路
1、本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，设计一个新型且可解释的卷积神经网络，利用平稳小波包变换(swpt)构建cnn结构，能够为cnn诊断模型可解释性的增强和应对小样本、噪声干扰等复杂故障背景下的性能提升拓宽潜在优化方向，实现在小样本、噪声干扰等复杂背景下对旋转机械关键部件的高准度故障诊断。
2、为实现上述技术目的，本专利技术采取的技术方案为：
3、一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，包括：
4、步骤1：获取旋转机械关键零部件的不同健康状态振动信号；
5、步骤2：对步骤1获取的振动信号进行数据预处理，得到训练集和测试集；
6、步骤3：构建可解释平稳小波包卷积网络，包括多次交替堆叠的平稳小波包卷积层与软阈值去噪激活层，以及全局能量池化层、分类器；
7、步骤4：对可解释平稳小波包卷积网络进行训练和测试，得到诊断模型，采用诊断模型进行旋转机械故障诊断。
8、为优化上述技术方案，采取的具体措施还包括：
9、上述的步骤1包括：采用振动传感器采集机械系统下轴承、齿轮部件在运行时产生的时域振动信号并保存，同时根据部件对应的健康状态对所保存数据进行分类标签标记，即得到旋转机械关键零部件的不同健康状态振动信号。
10、上述的步骤2包括：对获取的振动信号通过滑窗分割增强技术截取成多个固定时间步长的序列以扩充样本量，然后对每个样本进行标准化处理，将所有样本按设定比例划分为训练集和测试集。
11、上述的步骤3所述平稳小波包卷积层用于模拟平稳小波包分解，软阈值去噪激活层用于模拟软阈值去噪过程，全局能量池化层用于模拟对小波各频带能量信息的挖掘；
12、所述网络通过平稳小波包卷积层以及软阈值去噪激活层的不断堆叠将原始输入信号分解成多个小波系数频带通道，通过全局能量池化层提取各频带通道的平均能量特征，通过分类器对全局能量池化层输出特征进行故障分类。
13、上述的平稳小波包卷积层包括多通道swpt分解层，每个通道swpt分解层均包括可以从数据中学习的低通滤波器和高通滤波器；
14、每个通道swpt分解层的分解系数为：
15、；（2）
16、式中： n、 m表示系数序列的索引；
17、表示第 l层分解的第 j个子频带的平稳小波包系数序列；
18、表示第( l+1)层分解的第2 j个子频带的平稳小波包系数序列；
19、表示第( l+1)层分解的第(2 j+1)个子频带的平稳小波包系数序列；
20、其中，对于第 l层有；
21、、分别表示第( l+1)层的低通滤波器和高通滤波器系数；且
22、；（3）
23、式中：、分别表示第 l层高通滤波器和低通滤波器的第 n个值，、分别表示第( l+1)层高通滤波器第(2 n) 、(2n+1)个值，、分别表示第( l+1)层低通滤波器第(2 n) 、(2n+1)个值。
24、上述的软阈值去噪激活层模拟软阈值去噪过程为：
25、；（4）
26、；（5）
27、；（6）
28、式中：为通道数为 c、长度为的输入系数特征图，表示 s第 i个通道的第 n个特征值，为绝对值算子，表示全局平均池化函数，为经过gap得到通道统计向量的第 i个输出通道，为尺度向量，是非负阈值，、分别表示软阈值去噪激活层中两个全连接层的权重矩阵，、分别指relu和sigmoid激活函数，表示符号函数，为软阈值去噪激活层的输出。
29、上述的全局能量池化层表示为：
30、；（7）
31、式中：表示最后一个软阈值去噪激活层输出的第 i个通道的第 本文档来自技高网...
【技术保护点】
1.一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，所述步骤1包括：采用振动传感器采集机械系统下轴承、齿轮部件在运行时产生的时域振动信号并保存，同时根据部件对应的健康状态对所保存数据进行分类标签标记，即得到旋转机械关键零部件的不同健康状态振动信号。
3.根据权利要求1所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，所述步骤2包括：对获取的振动信号通过滑窗分割增强技术截取成多个固定时间步长的序列以扩充样本量，然后对每个样本进行标准化处理，将所有样本按设定比例划分为训练集和测试集。
4.根据权利要求1所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，步骤3所述平稳小波包卷积层用于模拟平稳小波包分解，软阈值去噪激活层用于模拟软阈值去噪过程，全局能量池化层用于模拟对小波各频带能量信息的挖掘；
5.根据权利要求1或4所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法
6. 根据权利要求1或4所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，所述软阈值去噪激活层模拟软阈值去噪过程为：
7. 根据权利要求1或4所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，所述全局能量池化层表示为：
8.根据权利要求1或4所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，所述分类器由一个全连接层和Softmax激活函数组成，其第k个类别节点对应的输出概率为：；（8）
9.根据权利要求1所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，所述步骤4包括：将训练集样本输入可解释平稳小波包卷积网络，前向传播得到预测值后，通过与样本真实标签对比计算出交叉熵损失函数值，在计算出交叉熵损失函数值后，使用梯度下降反向传播算法对网络参数进行调优，经过多次迭代使得网络得到充分训练，达到预设总迭代次数后保存最优参数的可解释平稳小波包卷积网络，作为诊断模型；
10. 根据权利要求9所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，所述交叉熵损失函数为：
...【技术特征摘要】
1.一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，所述步骤1包括：采用振动传感器采集机械系统下轴承、齿轮部件在运行时产生的时域振动信号并保存，同时根据部件对应的健康状态对所保存数据进行分类标签标记，即得到旋转机械关键零部件的不同健康状态振动信号。
3.根据权利要求1所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，所述步骤2包括：对获取的振动信号通过滑窗分割增强技术截取成多个固定时间步长的序列以扩充样本量，然后对每个样本进行标准化处理，将所有样本按设定比例划分为训练集和测试集。
4.根据权利要求1所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，步骤3所述平稳小波包卷积层用于模拟平稳小波包分解，软阈值去噪激活层用于模拟软阈值去噪过程，全局能量池化层用于模拟对小波各频带能量信息的挖掘；
5.根据权利要求1或4所述的一种基于可解释平稳小波包卷积网络的旋转机械故障诊断方法，其特征在于，所述平稳小波包卷积层包括多通道swpt分解层，每个通道swpt分解层均包括可...
【专利技术属性】
技术研发人员：卢一相，钱冬生，竺德，赵大卫，孙冬，黄大荣，高清维，
申请(专利权)人：安徽大学，
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。