机械工程学报

作者：陈钱, 陈康康, 董兴建, 皇甫一樊, 彭志科, 孟光

单位：1. 上海交通大学机械系统与振动国家重点实验室 上海 200240;2. 上海交通大学振动、冲击、噪声研究所 上海 200240;3. 宁夏大学机械工程学院 银川 750021

关键词：卷积神经网络,可解释性,Chirplet变换,时频变换,深度学习,故障诊断；

基金：国家自然科学基金资助项目(12272219，12121002)。

卷积神经网络(Convolutional neural network, CNN)以其强大的特征提取和分类能力，被广泛应用于机械系统故障诊断任务中。但CNN是一个典型的“黑箱模型”，其决策机理和分类依据并不明确。这不仅降低了智能诊断结果的可信性，还限制了在高可靠性要求故障诊断中的应用。针对这一问题，具有物理意义的Chirplet变换被引入到传统卷积层中，形成具有优异可解释性的Chirplet卷积层和Chirplet-CNN，进而提出将Chirplet-CNN用于故障诊断的完整流程。一系列试验表明，Chirplet-CNN以其提取时频特征的特点，不仅拥有和当前先进方法相近的优异故障诊断能力，而且在可解释性方面具有突出表现，即能够通过频谱分析对CNN提取类别特征和做出判断的频带依据进行解释。此外，进一步的分析结果表明，所提出的Chirplet卷积层具有良好的通用性，与不同深度的CNN模型进行组合，均能有效提高其诊断精度并获得不错的解释结果。

来源：2024年第12期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2024年第12期