机械工程学报

作者：邵海东, 肖一鸣, 钟翔, 韩特

单位：1. 湖南大学机械与运载工程学院 长沙 410082;2. 清华大学工业工程系 北京 100084

关键词：模型校准,置信度估计,可信人工智能,旋转机械故障诊断；

基金：国家自然科学基金(52275104)、湖南省科技创新计划(2023RC3097)、湖南省研究生科研创新(CX20240031)资助项目。

现有智能故障诊断研究大多专注于提升准确率，意味着仅由模型制定决策。从安全方面看，这种对模型的过度依赖会导致其即使给出不可信的诊断结果，用户也无从知晓；从伦理方面看，现代人工智能技术缺乏道德指导，相关法律尚未完善，一旦误诊难以追责。一个可靠的诊断模型不仅应尽可能提供准确的结果，还应指出其决策失效的可能性以警示用户。因此，有必要评估结果的可信度来缓解模型失效的风险，实现可信故障诊断。然而，现代深度学习模型往往校准不佳，通常被认为可表征结果可信度的softmax输出与结果正确的真实概率存在失配，致使直接将其作为可信度指标存在显著偏差。为此，提出了一种名为自适应置信度惩罚的校准技术，它能精细地调整施加在每个训练样本上的置信度惩罚强度，进而影响模型所推导的验证/测试样本的softmax概率。该方法弥补了原始置信度惩罚方法使用固定惩罚强度而未考虑样本置信度特性的局限性，进一步提升了校准质量并获得了校准良好的诊断模型。实验结果阐释了设计所提方法的动机并证明了该方法的优越性。

来源：2025年第17期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2025年第17期