一种具有可解释性的轴承故障诊断方法技术

本发明专利技术公开了一种具有可解释性的轴承故障诊断方法，包括下述步骤：S1.构建包含自适应小波去噪特征融合网络模块与特征信息可解释模块的方法框架；S2.对原始振动信号数据进行离散小波变换实现信号分解，引入软阈值过滤信号中的噪声分量经信号重构后将重构数据输入卷积层并更新阈值参数；S3.通过Transformer网络引入全局特征信息，输出对故障类型的分类结果；S4.采用平方包络变换对模型训练所得特征数据进行处理，得到包络谱数据并进行包络谱分析；S5.在包络谱数据基础上，引入梯度类激活映射建立模型重点关注特征同模型决策之间的关联，通过对输出得到的特征图像进行解释性分析，提高模型的可解释性。

【技术实现步骤摘要】

本专利技术涉及工业轴承故障诊断及深度学习，尤其涉及一种具有可解释性的轴承故障诊断方法。

技术介绍

1、轴承作为支撑机械设备安全运转的关键部件，其运行状态直接影响设备的使用寿命。因此对轴承运行状态进行监测，并及时有效识别分类早期故障特征十分重要[xulanxiang.towards green innovation by china’s industrial policy:evidence frommade in china 2025[j].frontiers in environmental science,2022.]。随着智能传感器和工业物联网的蓬勃发展，工业数据的快速积累促进了深度学习在智能故障诊断领域的研究，基于深度学习的智能诊断方法可以通过隐含神经元自动从数据中提取特征，实现端到端的故障诊断[eren l,devaney m j.bearing damage detection via waveletpacketdecomposition ofthe stator current[j].ieee transactions on instrumen本文档来自技高网...

【技术保护点】

1.一种具有可解释性的轴承故障诊断方法，其特征在于利用深度学习和可解释技术进行准确可靠的强噪声轴承故障诊断，包括下述步骤：

2.根据权利要求1所述的一种具有可解释性的轴承故障诊断方法，其特征在于：所述步骤S2中，先采用离散小波变换对原始振动信号数据进行多尺度分解，对分解完得到的高频系数进行软阈值去噪，然后进行信号重构，将重构数据输入卷积层并更新阈值参数，该过程包括以下步骤：

3.根据权利要求1所述的一种具有可解释性的轴承故障诊断方法，其特征在于：所述步骤S4中，采用平方包络变换对模型训练所得故障特征数据进行频域可视化处理，得到具有包含故障特征信息的包络谱数据，该过...

【技术特征摘要】

1.一种具有可解释性的轴承故障诊断方法，其特征在于利用深度学习和可解释技术进行准确可靠的强噪声轴承故障诊断，包括下述步骤：

2.根据权利要求1所述的一种具有可解释性的轴承故障诊断方法，其特征在于：所述步骤s2中，先采用离散小波变换对原始振动信号数据进行多尺度分解，对分解完得到的高频系数进行软阈值去噪，然后进行信号重构，将重构数据输入卷积层并更新阈值参数，该过程包括以下步骤：

3.根据权利要求1所述的一种...

【专利技术属性】
技术研发人员：刘晶，王梓玄，季海鹏，赵佳，王旭，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：