【技术实现步骤摘要】
本专利技术属于工业智能预测性维护领域，特别涉及一种基于可解释深度特征融合网络的工业智能预测性维护方法。
技术介绍
1、随着机械设备结构和自动化功能的日益复杂，机械设备面临着更高的故障风险和更严重的故障后果。一些关键机械部件(如轴承和齿轮)在机械设备运行过程中，不可避免地出现疲劳退化、裂纹、变形、剥落等故障。如果不及时修理或更换故障部件，可能会导致整个机械系统的严重损坏。因此，为了保证机械系统的正常运行，对机械系统关键部件的健康状态进行监测是非常必要的。
2、传统的机器学习方法严重依赖于研究人员的先前经验和先进的信号预处理技术，因为它们是根据原始数据设计的手动特征。相反，基于深度学习的技术减少了对先验知识的依赖，提供了端到端的解决方案。其已被广泛应用于机器视觉，自然语言处理等领域。由于深度学习提取数据中隐藏关键信息的强大能力，许多深度学习模型已经被广泛应用于机械故障诊断，如深度信念网络(dbn)，卷积神经网络(cnn)和递归神经网络(rnn)。尽管上述研究在许多故障诊断任务中取得良好的表现，但其仍然存在以下问题。基于深度学习的故障诊断过程完全是数据驱动的，随着网络的加深，振动信号的特征图通常具有更高的维度和更低的分辨率。它们作为输入信号不具有可解释的物理意义。许多与故障相关的周期性脉冲特征很可能在深度特征图中消失。很难理解模型学到了什么，难以进行深入的可解释性分析。
3、增强深度学习在智能故障诊断中的可解释性，已经做了许多的研究和努力。其中一个方面是将传统的信号处理方法融入到基于深度学习的方法当中，提高诊断
4、大多数事前可解释故障诊断模型都是基于一维卷积网络所提出的其在强噪声环境下缺乏对全局信息的关注，且由于卷积核对噪声的敏感性；在强噪声环境下容易导致关键故障信息缺失。其次当前基于cnn和transformer融合的先进故障诊断模型在强噪声环境下的智能故障诊断中已经取得了初步成果，但针对提出的各种新型的基于自注意力的变种模型的事前可解释性研究还很欠缺。
技术实现思路
1、针对当前工业智能预测性维护噪声鲁棒性和可解释性差的问题，本专利技术提供一种基于可解释深度特征融合网络的工业智能预测性维护方法，包括：
2、s1：建立可解释神经网络模型，该模型包括基于离散余弦增强注意力机制的可解释小波多尺度特征提取网络、基于自注意力机制的双分支特征融合网络以及分类器mlp；
3、s2：获取含有噪声的齿轮箱振动数据；
4、s3：通过基于离散余弦增强注意力机制的可解释小波多尺度特征提取网络捕获含有噪声的齿轮箱振动数据的可解释特征同时对噪声信号进行抑制和过滤；
5、s4：通过基于自注意力机制的双分支特征融合网络以实现对特征的深度融合；
6、所述基于自注意力机制的双分支特征融合网络包括：进行全局建模的全局卷积自注意力分支和聚焦局部特征的局部自注意力分支；
7、s5：应用卷积层对学习的特征进行稳定，使用分类器mlp对特征进行降维输出，得到最终故障识别结果；
8、s6：采用输出通道权重可视化和小波能量谱对比分析对最终故障识别结果进行可解释性分析。
9、本专利技术的有益效果：
10、本专利技术通过更深入的整合cnn和多头自注意力机制，融合各自对局部和全局特征提取的优势，同时使模型的决策过程更加透明化更具有可解释性，建立可解释深度特征融合网络用于工业智能预测性维护，通过提取复杂振动信号不同位置的局部和稀疏特征，滤除无关信息，从而提高了模型抗噪性；并且通过实现对全局和局部空间特征信息的传输，对高维抽象特征进行更深层次的融合，使得不同层次的特征可以自适应调整它们在最终诊断结果中的贡献，使得工业智能预测性维护噪声具有较高的鲁棒性和可解释性。
本文档来自技高网...【技术保护点】
1.一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，包括：
2.根据权利要求1所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，构建基于离散余弦增强注意力机制的可解释小波多尺度特征提取网络，包括：
3.根据权利要求1所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，捕获含有噪声的齿轮箱振动数据的可解释特征，包括：
4.根据权利要求3所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，所述离散小波变换的公式，包括：
5.根据权利要求3所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，对高低频带进行进一步的处理，包括：
6.根据权利要求3所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，利用多尺度卷积在小波域中捕捉不同尺度的特征，包括：
7.根据权利要求3所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，利用离散余弦增强通道注意机制自适应地对不同频带的特
8.根据权利要求1所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，实现对特征的深度融合的过程，包括：
9.根据权利要求1所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，应用卷积层对学习的特征进行稳定，使用MLP对特征进行降维输出，得到最终故障识别结果，包括：
10.根据权利要求1所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，采用输出通道权重可视化和小波能量谱对比分析对最终故障识别结果进行可解释性分析，包括：
...【技术特征摘要】
1.一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，包括：
2.根据权利要求1所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，构建基于离散余弦增强注意力机制的可解释小波多尺度特征提取网络，包括：
3.根据权利要求1所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，捕获含有噪声的齿轮箱振动数据的可解释特征，包括：
4.根据权利要求3所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，所述离散小波变换的公式，包括：
5.根据权利要求3所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征在于，对高低频带进行进一步的处理，包括：
6.根据权利要求3所述的一种基于可解释深度特征融合网络的工业智能预测性维护方法，其特征...
【专利技术属性】
技术研发人员：韩延，吕思鹏，黄庆卿，张焱，魏旻，王浩，王平，
申请(专利权)人：重庆邮电大学工业互联网研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。