机械工程学报

作者：沈君贤, 马天池, 宋狄, 许飞云

单位：东南大学机械工程学院 南京 211102

关键词：离心风机叶片,损伤检测,选择性集成,可解释模块,特征注意力；

基金：国家自然科学基金资助项目(51975117)。

接触式测量的振动信号是最为常用的旋转设备状态监测手段，但在工业现场离心风机叶片断裂前会产生异常的声响，然而其振动信号却依旧平稳。声信号属于一种非接触测量方法，包含强烈的背景噪声激励，使得其数据驱动网络的可信任程度较低。因此，为有效增强声信号驱动模型的可解释性、评估模型决策的可信度，提出一种可解释的选择性集成框架用于叶片裂纹的检测。首先，采用Alexnet提取的深度特征和可解释的辅助统计特征结合注意力权重机制构建一个多视角的基网络。其次，将声信号时频图像构建二阶张量作为网络的输入，对训练好的每个基网络的深度特征通过Grad-CAM确定激活映射面积并结合仿真结果计算网络的可信任度。接着，对于嵌入式的辅助特征构建一种Diversity Pick LIME(DP-LIME)的可解释模块，结合特征权重分布可视化基网络决策逻辑。最终，根据每个基网络的综合可信任度指标对叶片裂纹检测结果进行选择性决策融合。经离心风机实测数据验证，文中提出的可解释框架具有良好的叶片裂纹检测精度，并可有效提高模型可信度。

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