(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111676747.5 (22)申请日 2021.12.31 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 刘之航　丁康　何国林　蒋飞　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 代理人 周春丽 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01M 13/04(2019.01) (54)发明名称 一种可解释性滚动轴承故障诊断方法 (57)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。 权利要求书2页 说明书6页 附图11页 CN 114372492 A 2022.04.19 CN 114372492 A 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； S2、 建立初始1D ‑CNN‑BiLSTM神经网络模型； S3、 向所述神经网络模型 添加解释层； S4、 建立具有卷积解释能力的神经网络模型； S5、 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； S6、 通过所述故障诊断模型对所述滚动轴承进行故障诊断。 2.根据权利要求1所述的一种可解释性滚动轴承故障诊断方法， 其特征在于， 步骤S1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、 将所述一维时间信号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。 3.根据权利要求1所述的一种可解释性滚动轴 承故障诊断方法， 其特征在于， 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。 4.根据权利要求3所述的一种可解释性滚动轴承故障诊断方法， 其特征在于， 所述 BiLSTM层包括双向LSTM层， 所述 LSTM层的组成具体为： ft＝σ(Wf[ht‑1,xt]+bf) it＝σ(Wi[ht‑1,xt]+bi) ot＝σ(Wo[ht‑1,xt]+bo) ct＝ftct‑1+ittanh(Wc[ht‑1,xt]+bc) ht＝ottanhct 式中， ft为遗忘门， it为输入门， ot为输出门， ct为细胞状态， σ 为sigmoid激活函数， Wf、 Wi、 Wo、 Wc为训练参数中的权重， bf、 bi、 bo、 bc为训练参数中的偏置项， ht为当前时刻隐藏层的 状态， ht‑1为上一时刻隐藏层的状态， xt为当前时刻的输入。 5.根据权利要求3所述的一种可解释性滚动轴承故障诊断方法， 其特征在于， 所述Relu 函数为： 式中， f(x)是Relu函数， x是 上一层输入的向量。 6.根据权利要求3所述的一种可解释性滚动轴承故障诊断方法， 其特征在于， 所述 Softmax激活函数为：权　利　要　求　书 1/2 页 2 CN 114372492 A 2式中， zi+1是Z中第i+1个点输出的值， C是输出节点的个数， zc是Z中第c个点输出的值， e 是自然常数。 7.根据权利要求1所述的一种可解释性滚动轴 承故障诊断方法， 其特征在于， 所述解释 层为Grad ‑CAM++。 8.根据权利要求1或7所述的一种可解释性滚动轴承故障诊断方法， 其特征在于， 步骤 S3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。 9.根据权利要求8所述的一种可解释性滚动轴承故障诊断方法， 其特征在于， 步骤S4的 具体步骤为： S41、 在1D ‑CNN‑BiLSTM神经网络模型后连接解释层和Bi LSTM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。 10.根据权利要求1～9任一项所述的一种可解释性滚动轴承故障诊断方法， 其特征在 于， 步骤S5的具体步骤为： S51、 将步骤S1收集到的样本进行归类， 共有四种类别， 分别是正常、 外圈故障、 内圈故 障和滚动体故障； S52、 将所述故障样本划分为训练集和 测试集， 利用K折交叉验证方法进行训练和 测试； S53、 将所述训练集作为具有卷积解释能力的神经网络模型的输入， 进行模型训练， 获 得具有故障诊断能力的模型。权　利　要　求　书 2/2 页 3 CN 114372492 A 3