关键词:
轴承故障诊断
噪声
可解释
特征提取
深度学习
摘要:
基于深度学习的轴承故障诊断方法面对复杂噪声工况数据时,难以实现特征的充分提取,同时其决策过程缺乏可解释性。针对上述问题,提出一种具有可解释性的DRWT-Trans轴承故障诊断方法。首先,提出自适应小波去噪特征融合网络模块,通过离散小波分解并引入软阈值机制,在实现滤波去噪的同时结合网络结构优势充分提取故障数据的局部和全局特征信息;其次,设计特征信息可解释模块,通过对模型的特征提取和决策过程进行可解释分析,提高了模型内部决策机制的透明性;最后,在西储大学数据集和某工厂减速机实际工况数据集上进行了实验验证。