1.一种往复式压缩机故障诊断可视化方法，其特征在于，包括如下步骤：S1、训练样本的产生与积累；对气缸内安装的动态压力传感器采集的数据，以及飞轮边缘安装的键相传感器同步采集的脉冲信号数据进行采集作为训练样本；

S2、批量获取S1中生成的训练数据与标签；

S3、AI模型的设计与初始化；采用神经网络模型，网络的输入为单通道的点数为N的一维数组，输出为健康状况所对应的标签编码；所述神经网络模型包括ANN、ResNet、VGG、LSTM；

S4、训练并得到AI模型；

S5、选择满足要求的数采装置，同步采集正在运行中的动态压力数据与转速脉冲数据，对采集的数据进行预处理得到测试样本，并将获得的测试样本输入到S4中获得的AI模型，前向计算得到网络的输出，将输出对应的最大可能的类别作为识别结果；

S6、利用Guided Grad CAM获取S5中测试样本的每个值对AI模型识别结果的贡献程度；

S7、展示对诊断结构可解释的示功图；

S8、人工确认模型识别结果的准确性并结合实际进行相应处理；

S9、将S8的处理结果存入训练样本库，以提高后续重新训练的准确度；

对所述S1包括如下步骤：

S11、对数据采集前的数采装置进行设定使转速脉冲的上升沿对应膨胀过程的起始点，对产生训练样本的传感器设置相同且固定的采样频率Fs，同步采集动态压力数据与转速脉冲数据；

S12、取两个相邻转速脉冲上升沿之间的数据所对应的同步采集的动态压力数据，作为一个周期内的动态压力数据，记数据点数为N，若一次采集的数据包含了完整的连续m个周期的动态压力数据，对各周期内索引相同的压力值求平均值，作为该索引的有效动态压力值，进而得到平均各周期数据后的点数为N的有效动态压力数据；

S13、假设曲轴做匀转速运动，对S12中的N个有效动态压力数据进行近似处理，计算各动态压力值对应的曲柄相位角，结合活塞半径、曲柄长度、连杆长度信息绘制示功图；

S14、人工确认示功图的健康状况，包含故障类型，为S12的点数为N的动态压力数据建立标签，将N个动态压力数据连同标签一起存入训练样本库；

所述S5中的预处理步骤与S12相同；

所述S6包括如下步骤：

S61、在S5的网络前向计算过程中，将AI模型中的最后一个卷积层的输出结果作为feature‑map，将网络输出的最大可能的类别的得分对feature‑map层的每个值求偏导，然后用全局平均池化操作获得每一通道对分类结果的贡献程度，记为通道权值，所述通道权值的个数取决于S3中AI模型的设计；

S62、将以上通道权值与对应的feature‑map相乘、再输入到激活函数，最终得到Grad CAM表示的权值数组，该权值数组可以看成是一个一维的heatmap“棒”；

S63、使用导向反向传播算法获得导向权值数组，与S62中得到的权值数组维数一致；

S64、将S62、S63中对应位置的权值相乘，作为S5中经预处理获得的测试样本中对应位置的每个数据点的重要性程度权值。

2.如权利要求1所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述S7包括如下步骤，结合S13所提的绘制示功图的方法绘制测试样本的示功图，对S6中重要性程度权值较大的动态压力值点所在的连线突出显示，作为模型得到识别结果的“原因解释”，所述突出显示用于区分重要性程度，其为热力图颜色、线的粗细或线的透明度方式。

3.如权利要求1所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述S8人工确认时，通过Guided Grad CAM在示功图上的可解释性展示会提示需要重点确认的示功图部位，若确认为故障，则对故障进行处理。

4.如权利要求1所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述S9为将人工核实的最终结果作为标签，与该次诊断的样本一起存入训练样本库，以便后续重新训练提高准确率。

5.如权利要求1所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述S11中通过调节飞轮上的键相块位置，使活塞运动到极限位置时，键相块所在的平面的法向量与键相传感器探头轴心在同一轴线上以使转速脉冲的上升沿对应膨胀过程的起始点。

6.如权利要求5所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述S11中的极限位置是指压缩过程结束，膨胀过程开始。

7.如权利要求6所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述S12中若存在有周期内的数据点数不为N，则采用插值拟合的方法处理使其为N个，所述m为不小于1的正整数，所述索引范围：0 N‑1。

~