具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

实施例1：

本发明要解决的问题是提供一种高速航空柱塞泵的故障诊断方法，并且能够实现信号降噪增强，从而实现信号的特征提取和故障诊断，并且提高对含噪声信号的诊断准确率。

为实现上述目标，本发明提供了一种基于Grad-CAM的柱塞泵故障信号时频图降噪增强方法，其特征在于包括以下步骤：

S1：采集柱塞泵发生故障时的壳体的振动信号

以采样频率fs，采集柱塞泵在不同进口压力下的振动信号

S2：数据样本分割

本发明采用的方法需要对原始信号进行时频变换得到样本的时频图，时频图是后续模型训练和测试的输入。原始信号分割成N段，每类样本数量为：l_i＝n_i/s总共的样本数量：根据上述关系，振动信号变成N分段信号，每个分段都有一个标签。记为其中s是每段样本的长度，最外层下标表示类别。

m表示样本类别数；i表示某一样本类别的下标；表示分割后的第一段原始信号。

S3：分割后的样本时频变换

采用短时傅里叶变换，得到时频图；数据划分成训练和测试集，在每一组样本数据时频转换后的图片中，按照一定比例，把样本分成训练集X_train和测试集X_test；

S4：预处理模型训练

搭建用于对时频图进行分类诊断的CNN分类模型，主要通过三个卷积层和两个全连接层来学习时频图中的故障特征。网络结构的构造细节如下：

卷积层conv2d_1是提取图片特征的第一层，需要能充分提取特征，为后续的层提供包含足够有用信息的输出。卷积核数量(filters)设为32，大小设置为(3，3)，同时设置卷积之后的平面尺寸和原来的一样(padding＝same)，便于后续特征图维度和输入一致。Conv2d_1层权重初始化采用RandomNormal；激活函数采用relu激活函数，可以加快收敛速度，避免发生梯度消失的情况。卷积层之后设置批量标准化层(batch_normalization_1)、随机丢弃层(dropout_1)。

卷积层conv2d_2的参数设置除filters数不一样以外，其他参数和conv_1保持一致，卷积核数量设置为16。在卷积层之后设置批量标准化层(batch_normalization_2)和随机丢弃层(dropout_2)

卷积层conv2d_3的参数设置和conv2d_1一致，后续同样设置批标准化层batch_normalization_3和随机丢弃层(dropout_3)

网络最终要输出预测的分类结果，利用两个全连接层输出分类结果，为获取多分类的预测结果，最后一层全连接层的激活函数采用SoftMax，将模型前向传播的结果转为分类标签的概率分布值。

使用交叉熵损失函数评估预测结果和真实标签之间误差。优化目标是最小化损失函数，模型训练优化方法采用RMSROP优化算法，迭代足够的轮次，得到训练好的模型。损失函数的公式为：

其中，p(x)是样本真实值的概率分布，q(x)是模型预测标签值得概率分布。

S5：重点区域识别

在得到预处理模型之后，已经能够对采集到的信号进行有效的诊断。但是带噪声信号的时频图与无噪声情况下有明显区别，导致含噪声信号故障诊断准确率下降明显。未解决上述问题，本发明提出利用模型的类激活强度图对时频图进行降噪增强处理，具体的方法如下：

时频图输入模型，获得模型中conv2d_2层的特征图输出；

利用Keras提供的函数，计算模型类别输出对应与特征图的梯度；

对特征图通道的梯度求均值，并把梯度均值作为特征图的权重；

特征图和梯度均值进行相乘得到梯度加权特征图，然后对加权特征图逐通道求均值得到一个样本的类激活强度图；

所有样本的类激活强度图进行叠加，并且只保留大于八十分位的数据，得到某一类别的重点识别区域；

不同的类别重复上述步骤，最后得到不同故障等级的重点识别区域，多个区域进行叠加，得到信号增强处理矩阵。

S6：数据重处理

样本信号进行时频变换后和由S5得到信号增强处理矩阵进行元素对应相乘，然后再把处理后的时频变换数组转换成时频图。过程参见附图

S7：模型重训练

利用重处理之后的训练集重新训练模型，这样得到的模型将会对重点区域的识别更加准确。

S8：故障诊断

将测试集X_test输入训练好的CNN模型，预测出样本的故障程度。

实施例2：

实施例2为实施例1的优选例。

如图1，是本发明基于Grad-CAM的柱塞泵故障信号时频图降噪增强方法的流程图，对一个高速航空柱塞泵的空化故障进行诊断，包括以下步骤：

S1：在柱塞泵的壳体安装一个振动传感器器，连接好采集设备，采集泵在不同入口压力下发生不同程度空化时的振动信号，采样频率10240Hz。

S2：将原始振动信号分成N段，每一段作为一个样本。按照流量损失给每段样本记上空化等级。本实施案例共分为四个等级，分别是严重空化、中等空化、轻微空化和无空化，实施案例中每段样本长度采用256个数据点。

空化的严重性用流量损失进行衡量，表达式为：

其中：q_t是理论流量，q_in是实际进口流量。

划分训练集和测试集，将转换后的图片按照测试集比例0.2划分为训练集和测试集，即80％的样本作为训练集X_train，其余作为测试集X_test。

S3：样本时频变换

本实施案例的运行工况的单一转速工况，采集的振动信号具有较多的周期成分，因此采用短时傅里叶变换进行时频分析较为适合。选择合适的短时傅里叶变换参数即可，效果如图2所示。

S4：建立预处理模型

模型结构如图4所示，输入是样本时频变换之后的时频图，第一层是卷积层conv2d_1，卷积核大小设置(3,3)，数量是32。之后经过批量标准化层和随机丢弃层。之后连接到下一卷积层conv2d_2。第二卷积层的卷积核大小设置为(3,3)，卷积核数目设为16，之后经过批量标准化层和随机丢弃层连接到第三卷积层conv2d_3，第三卷积层设置和第二卷积层一致。经过批量标准化层和随机丢弃层进行展开。展开之后设置一个神经元数目为32的全连接层，最后经过批量标准化和随机丢弃层连接到输出层。输出层输出空化故障的类别。

建立损失函数，选择优化算法进行模型的训练。损失函数采用交叉熵(CrossEntropy Loss)作为损失函数。对于本例的四类故障等级，假设样本的真实值是q(x)＝(0，1，0，0)，模型的预测值是p(x)＝(a，b，c，d)，则：

Loss(p,q)＝-0·loga-1·logb-0·logc-0·logd

其中，a,b,c,d表示模型分别对四类故障等级所估计的概率的倒数。

对预处理模型进行训练和测试，得到在测试集上表现良好的预处理模型。

S5：重点区域识别

利用预处理模型，得到模型中conv2d_2层的特征图以及模型输出类别对特征图之间的梯度。利用特征图和梯度按照说明书S5所述得到预处理模型的重点识别区域。

S6：数据重处理

样本时频变换之后的数据和重点识别区域矩阵进行点乘，再转为时频图，参见图3，对训练集和测试集都进行重处理。

S7：诊断模型训练

模型结构和训练方法同预处理模型的建立和训练。

S8：将测试集数据输入到诊断模型中，预测测试集的空话程度。

更为具体地，本发明利用柱塞泵故障模拟实验台，通过安装在柱塞泵壳体上三轴振动加速度传感器采集不同入口压力下的振动信号。实验台可以测量进口出口流量，通过流量损失程度对空化程度进行划分，如下表所示：

振动信号的采集频率是10240Hz，采集到的原始信号分为四类。对每类数据进行分段并转成时频图，按比例划分训练集和测试集，数据集情况如下：

实验结果

(1)样本时频图转换结果以及增强处理

根据上述的方法，对样本进行时频变换并保存成图片，同时利用本发明提出的降噪增强方法进行处理，处理结果对比如图5和图6。

(2)模型预测准确率

利用python和TensorFlow搭建模型并训练，在测试集上验证模型性能，训练好的模型在验证集准确率能够到达99.5％，训练过程中的准确率和损失曲线如图7。

(3)模型抗噪能力

为了更好的模拟现实故障监测的复杂工况，在测试集的原始信号中加入不同信噪比(SNR)的白噪声。模型在没有白噪声的数据上进行训练，由于本发明的数据处理增强方式，使得该方法具有良好的抗噪性能，如图8，为在不同噪声下测试集的准确率和损失曲线图。

振动信号信噪比的计算公式如下：

其中：P表示信号的功率大小，P_signal表示不包含噪声的信号功率大小，P_nosie表示噪声的功率大小。

实验验证了在SNR＝-4～10dB情况下的抗噪能力，结果如下：

结果表明，本发明提出的空化故障诊断方法具有良好的抗噪能力，在信噪比高于2dB的情况，测试集准确率高于80％，并且对应的损失函数值较小，说明诊断的可靠性高，鲁棒性强。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。