基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

摘要：

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性.以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network,CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map,Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University,CWRU)轴承数据集进行验证.首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型.其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系.最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析.结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性.

关键词：梯度加权类激活图、卷积神经网络、智能故障诊断、鲁棒性

所属期刊栏目：23

分类号：TH133.3

资助基金：中石油科技项目2022KT2008

在线出版日期：2023-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：7326-7334