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：华南理工大学

摘要：本发明公开了一种可解释性滚动轴承故障诊断方法，包括以下步骤：采集滚动轴承的一维时间序列信号并进行样本扩充，建立初始1D‑CNN‑BiLSTM神经网络模型，并向该神经网络模型添加Grad‑CAM++解释层，建立起具有卷积解释能力的神经网络模型。利用多种一维故障数据训练所述神经网络模型，获得具有故障诊断能力的模型，再通过所述故障诊断模型对所述滚动轴承进行故障诊断。本发明以CNN为基础结构的神经网络的特征提取过程进行解释，并加入BiLSTM，利用其具有双向分析能力的特点，实现了更好的诊断精度，并提高了故障诊断神经网络模型的抗噪性和鲁棒性。

主权项：1.一种可解释性滚动轴承故障诊断方法，其特征在于，包括以下步骤：S1、采集滚动轴承的一维时间序列信号并进行样本扩充，包括以下步骤：S11、收集加速度传感器所收集到的正常、外圈故障、内圈故障和滚动体故障四种类别的一维时间信号；S12、将所述一维时间序列信号利用重叠采样的方式进行扩充，并将数据样本划分为训练集和测试集；S13、将所述数据样本采用K折交叉验证的方式多次划分出不同的训练集和测试集，最后取平均结果以提高模型的鲁棒性；S2、建立初始1D-CNN-BiLSTM神经网络模型；所述初始1D-CNN-BiLSTM神经网络模型的结构包括输入层、卷积神经网络层CNN、BiLSTM层、全连接层以及输出层：CNN层包括卷积层、池化层，每个卷积层的激活函数都为Relu函数；所述池化层的池化方法为最大池化；所述输出层的激活函数为Softmax函数；S3、向所述神经网络模型添加解释层，所述解释层为Grad-CAM++，包括以下步骤：S31、计算1D-CNN-BiLSTM神经网络模型最后一个卷积层之后各通道的各类别的权重： 式中，Yx为类别x的得分值即重要程度，为第k个特征图对于类别x的权重，为第k个特征图的i,j处的像素值，为第k个特征图的i,j处对于类别x的权重；S32、根据所述的权重生成类激活图： S33、将所述的类激活图的尺寸变换到原输入图像的尺寸大小，再通过热力图覆盖到原图上，热力图值的大小对应1D-CNN-BiLSTM神经网络模型对输入信号的激活程度；S4、建立具有卷积解释能力的神经网络模型，具体步骤为：S41、在1D-CNN-BiLSTM神经网络模型后连接解释层和BiLSTM层；S42、将解释层作为整个模型的中间层，对卷积过程进行解释；S43、将所述BiLSTM层作为整个模型的后端，将CNN最后一个卷积层的输出作为后端的输入，进行故障诊断；S5、利用多种一维故障数据训练所述神经网络模型，获得故障诊断模型；S6、通过所述故障诊断模型对所述滚动轴承进行故障诊断。

全文数据：

权利要求：

百度查询： 华南理工大学 一种可解释性滚动轴承故障诊断方法