CN116610993B 轴承故障诊断方法、系统、设备及存储介质 （山东师范大学）

对第一深度学习模型和第二深度学习模型进行第一深度学习模型和训练后的第二深度学习模型进行测试，筛选出分类精度高的深度学习模2获取数据集，所述数据集为已知轴承故障类型标签的二维图像基于训练集分别对第一深度学习模型和第二深度学习模型的Resnet34网络的Conv1层、Resnet34网络的Conv2_x、Resnet34网络的Conv3_x层、类判别定位图Grad-CAMLS计算如下：得到的；是通过将c类分数的梯度与特征图AK的yc进行全局平均池化得到的；f(•)是获取待诊断轴承的振动信号，将待诊断轴承的振动信号转换为二维图3获取模块，其被配置为：获取数据集，所述数据集为已知轴承故训练模块，其被配置为：基于训练集分别对第一深度类判别定位图Grad-CAMLC计算如下：得到的；是通过将c类分数的梯度与特征图AK的yc进行全局平均池化得到的；f(•)是45法是在机器学习(ML)方法上开发的，如支持向量机(SVM较大数据集上取得了惊人的效果。Liu等人提出了一种SwinTransformer模型应用于图像6网络(BD_LSTM)的故障诊断模型，将数据集输入到故障诊断模型中提取隐藏特征并识别故7序当在一个或多个处理器上运行的时候用于实现上更精确的模型；然后将滑窗采样后的振动信号通过格拉姆角场(GAF)和小波变换(WT)方法模型的可解释性技术梯度加权类激活映射Grad一CAM进行可视化，解释故障诊断结果的归8备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过9[0054]从轴承上采集到的原始振动信号中不同的故障状态包含不同数量的时间过程测[0057]使用格拉姆角场(Gramianangularfield，GAF)和小波变换(Wavelet[0075]本发明将重构后的2000个样本以8:2的比例随机划分为训练集和测试集，即1600[0078]将2D图像输入到CNN中的Resnet34网络模型中，该网络的第一层卷积操作使用了zf=avgwresM'出了梯度加权类激活映射(Gradient_weightedClassActivationMapping，Gr[0099]应理解地，为了解释故障诊断结果，使用了梯度加权类激活映射(Gradient_[0100]为了解释故障分类结果，本发明在CNN的最后一个卷积层上使用Grad_CAM来定位域分散在输入信号的大部分片段上，这表明大部分信号序列对于输出的贡献程度基本相[0103]以注意机制为核心的Transformer模型在自然语言处理领域成功运用，几乎替代断领域得到应用，SwinTransformer模型比VisionTransformer模型更适用于下游任务。[0104]SwinTransformer具有类似于CNN的分层结构，基于故障诊断的Swin的核心，它由一个基于窗口的多头注意力机制(WindowbasedMulti_headSelf_Attention，W_MSA)模块和一个基于移动窗口的多头注意力机制(ShiftedWindowbased多头注意力机制(Multi_headSelf_Attention,MSA)模块和每个多层感知器(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大小为4×4，不同于VisionTransformer中使用的大小主要作用是为了把向量的维度变成本发明预先设定好的值，即满足Transformer可以输入[0117]基于CNN的轴承故障诊断结果如图6(a)和图6(b)所示，图6(a本都分类到了正确的类别。训练出理想的模型。在训练过程中，除了head层外，其他层的参数全部冻结。基于SwinTransformer的故障诊断结果如图8(a)和图8(b[0119]基于SwinTransformer的轴承故障分类的实验结果如图8(a)和图8(b)所示，图8和WT图像上故障诊断准确率分别达到了9样本都分类到了正确的类别。42