CN116610993B 軸承故障診斷方法、系統、設備及存儲介質 （山東師范大學）

對第一深度學習模型和第二深度學習模型進行第一深度學習模型和訓練后的第二深度學習模型進行測試，篩選出分類精度高的深度學習模2獲取數據集，所述數據集為已知軸承故障類型標簽的二維圖像基于訓練集分別對第一深度學習模型和第二深度學習模型的Resnet34網絡的Conv1層、Resnet34網絡的Conv2_x、Resnet34網絡的Conv3_x層、類判別定位圖Grad-CAMLS計算如下：得到的；是通過將c類分數的梯度與特征圖AK的yc進行全局平均池化得到的；f(?)是獲取待診斷軸承的振動信號，將待診斷軸承的振動信號轉換為二維圖3獲取模塊，其被配置為：獲取數據集，所述數據集為已知軸承故訓練模塊，其被配置為：基于訓練集分別對第一深度類判別定位圖Grad-CAMLC計算如下：得到的；是通過將c類分數的梯度與特征圖AK的yc進行全局平均池化得到的；f(?)是45法是在機器學習(ML)方法上開發的，如支持向量機(SVM較大數據集上取得了驚人的效果。Liu等人提出了一種SwinTransformer模型應用于圖像6網絡(BD_LSTM)的故障診斷模型，將數據集輸入到故障診斷模型中提取隱藏特征并識別故7序當在一個或多個處理器上運行的時候用于實現上更精確的模型；然后將滑窗采樣后的振動信號通過格拉姆角場(GAF)和小波變換(WT)方法模型的可解釋性技術梯度加權類激活映射Grad一CAM進行可視化，解釋故障診斷結果的歸8備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對于這些過9[0054]從軸承上采集到的原始振動信號中不同的故障狀態包含不同數量的時間過程測[0057]使用格拉姆角場(Gramianangularfield，GAF)和小波變換(Wavelet[0075]本發明將重構后的2000個樣本以8:2的比例隨機劃分為訓練集和測試集，即1600[0078]將2D圖像輸入到CNN中的Resnet34網絡模型中，該網絡的第一層卷積操作使用了zf=avgwresM'出了梯度加權類激活映射(Gradient_weightedClassActivationMapping，Gr[0099]應理解地，為了解釋故障診斷結果，使用了梯度加權類激活映射(Gradient_[0100]為了解釋故障分類結果，本發明在CNN的最后一個卷積層上使用Grad_CAM來定位域分散在輸入信號的大部分片段上，這表明大部分信號序列對于輸出的貢獻程度基本相[0103]以注意機制為核心的Transformer模型在自然語言處理領域成功運用，幾乎替代斷領域得到應用，SwinTransformer模型比VisionTransformer模型更適用于下游任務。[0104]SwinTransformer具有類似于CNN的分層結構，基于故障診斷的Swin的核心，它由一個基于窗口的多頭注意力機制(WindowbasedMulti_headSelf_Attention，W_MSA)模塊和一個基于移動窗口的多頭注意力機制(ShiftedWindowbased多頭注意力機制(Multi_headSelf_Attention,MSA)模塊和每個多層感知器(Multilayer[0106]x=W-MSA(LN(X-1))+X'-1(7)LP(LN(Rl))+X(8)[0108]x+1=SW-MSA(LN(xl))+X'(9)transformer中使用的patchsize大小為4×4，不同于VisionTransformer中使用的大小主要作用是為了把向量的維度變成本發明預先設定好的值，即滿足Transformer可以輸入[0117]基于CNN的軸承故障診斷結果如圖6(a)和圖6(b)所示，圖6(a本都分類到了正確的類別。訓練出理想的模型。在訓練過程中，除了head層外，其他層的參數全部凍結。基于SwinTransformer的故障診斷結果如圖8(a)和圖8(b[0119]基于SwinTransformer的軸承故障分類的實驗結果如圖8(a)和圖8(b)所示，圖8和WT圖像上故障診斷準確率分別達到了9樣本都分類到了正確的類別。42