买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东海洋大学

摘要：本发明公开了一种基于两阶段特征提取的可解释性轴承故障诊断方法，包括：获取待检测振动信号；将所述待检测振动信号输入至斑马优化算法的格拉姆并行卷积神经网络模型，获取故障诊断结果，其中，所述斑马优化算法的格拉姆并行卷积神经网络模型通过训练集训练而成，所述训练集为原始振动信号的时域特征、频域特征和小波包能量特征。本发明所提方法具有更高的准确率、更好的鲁棒性和更强的可解释性，解决了不同工况下故障诊断模型特征识别困难、数据依赖性强、模型参数调整复杂、缺乏可解释性的问题，同时本发明具有的较强可解释性可对基于深度学习技术的故障诊断具有参考意义。

主权项：1.一种基于两阶段特征提取的可解释性轴承故障诊断方法，其特征在于，包括：获取待检测振动信号；将所述待检测振动信号输入至斑马优化算法的格拉姆并行卷积神经网络模型，获取故障诊断结果，其中，所述斑马优化算法的格拉姆并行卷积神经网络模型通过训练集训练而成，所述训练集为原始振动信号的时域特征、频域特征和小波包能量特征；其中，获取故障诊断结果包括：获取原始振动信号，对所述原始振动信号进行第一特征提取，获取一维特征；基于所述一维特征，获取二维格拉姆图像；其中，每个格拉姆图像由时域特征、频域特征和小波包能量特征组成；利用并行卷积神经网络对所述二维格拉姆图像进行第二特征提取，获取高维特征；将所述高维特征输入至展平层，获取融合特征，将所述融合特征输入至多头注意力机制层，获取注意力计算结果；将所述注意力计算结果输入至支持向量机层，获取故障样本；基于所述故障样本，结合斑马优化算法，获取故障诊断结果；其中，获取一维特征包括：通过轴承试验平台采集轴承的原始振动信号，获取若干样本；对所述样本设定类别标签，获取标签类别样本；对所述标签类别样本进行第一次特征提取，分别提取时域特征、频域特征和小波包能量特征；其中，所述时域特征包括：平均值、峰峰值、均方根、偏度、峰度、脉冲因子、裕度因子和变异系数；所述频域特征包括：频谱能量、频谱熵和频谱峰值；其中，获取所述注意力计算结果的方法为： 式中，为值矩阵，X为输入数据，Wv是参数矩阵，为注意力矩阵，Q为查询矩阵，为键矩阵K的转置，H为输出矩阵，softmax函数对行向量进行归一化处理，Dk为键矩阵K中键向量的维度，为注意力权重矩阵；其中，获取所述故障样本的方法为： 式中，为决策函数的输出，sgn为符号函数，为拉格朗日乘子，表示第个特征向量，表示第个特征向量，u为第u个特征，代表相应的类别标签，K表示核函数，b表示偏差；其中，基于所述故障样本，结合斑马优化算法，获取故障诊断结果包括：对斑马优化算法的格拉姆并行卷积神经网络模型的斑马种群位置参数进行初始化，获取种群矩阵，其中，所述种群矩阵的行和列分别代表斑马个体和决策变量；计算所述斑马个体的目标函数值，并对计算结果进行存储；对目标函数进行迭代，直至获取最优目标函数；基于所述最优目标函数，获取所述故障诊断结果。

全文数据：

权利要求：

百度查询： 广东海洋大学 一种基于两阶段特征提取的可解释性轴承故障诊断方法